CN114898226B - 地图数据处理方法、装置、电子设备和存储介质 - Google Patents

地图数据处理方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114898226B
CN114898226B CN202210611915.0A CN202210611915A CN114898226B CN 114898226 B CN114898226 B CN 114898226B CN 202210611915 A CN202210611915 A CN 202210611915A CN 114898226 B CN114898226 B CN 114898226B
Authority
CN
China
Prior art keywords
level
detected
feature
remote sensing
features
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210611915.0A
Other languages
English (en)
Other versions
CN114898226A (zh
Inventor
刘泳慷
宗希鹏
杨建忠
夏德国
卢振
曹婷婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210611915.0A priority Critical patent/CN114898226B/zh
Publication of CN114898226A publication Critical patent/CN114898226A/zh
Application granted granted Critical
Publication of CN114898226B publication Critical patent/CN114898226B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种地图数据处理方法，涉及人工智能技术领域，尤其涉及智能交通技术领域。具体实现方案为：根据待检测图像的浅层特征进行目标检测，得到检测结果，其中，待检测图像为与待检测区域相关的图像；根据检测结果和待检测区域的地图数据，确定目标区域；以及根据处于目标区域内对象的轨迹信息，从地图数据中确定至少一个目标点的位置数据。本公开还提供了一种地图数据处理装置、电子设备和存储介质。

Description

地图数据处理方法、装置、电子设备和存储介质
技术领域
本公开涉及人工智能技术领域，尤其涉及智能交通技术领域。更具体地，本公开提供了一种地图数据处理方法、装置、电子设备和存储介质。
背景技术
随着人工智能技术的发展，深度学习模型可以用于处理卫星影像，以便从卫星影像中的检测出车辆或行人等对象。
发明内容
本公开提供了一种地图数据处理方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种地图数据处理方法，该方法包括：根据待检测图像的浅层特征进行目标检测，得到检测结果，其中，待检测图像为与待检测区域相关的图像；根据检测结果和待检测区域的地图数据，确定目标区域；以及根据处于目标区域内对象的轨迹信息，从地图数据中确定至少一个目标点的位置数据。
根据本公开的另一方面，提供了一种地图数据处理装置，该装置包括：目标检测模块，用于根据待检测图像的浅层特征进行目标检测，得到检测结果，其中，待检测图像为与待检测区域相关的图像；第一确定模块，用于根据检测结果和待检测区域的地图数据，确定目标区域；以及第二确定模块，用于根据处于目标区域内对象的轨迹信息，从地图数据中确定至少一个目标点的位置数据。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据本公开提供的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据本公开提供的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开的一个实施例的可以应用地图数据处理方法和装置的示例性系统架构示意图；
图2是根据本公开的一个实施例的地图数据处理方法的流程图；
图3A至图3C是根据本公开的一个实施例的特征提取子模型的原理图；
图4是根据本公开的一个实施例的检测子模型的原理图；
图5是根据本公开的一个实施例的对象密集区域的示意图；
图6是根据本公开的一个实施例的地图数据处理装置的框图；以及
图7是根据本公开的一个实施例的可以应用地图数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
随着人工智能等计算机技术的发展，道路交通智能化管理的需求逐渐增加。基于卫星影像的车辆检测技术和海量实时轨迹大数据分析技术，可以快速全面且实时地获取车辆分布数据及数量，可以为智能交通规划、公共资源分配和交通管理决策提供数据支持。
此外，随着遥感技术的不断发展，各种用途的卫星的分辨率不断提高，使得高分辨率的遥感图像广泛应用于道路监控、车辆追踪、车辆搜寻定位。基于高分辨率遥感图像的对象检测技术，对智能交通的建设与完善至关重要，对辅助交通管理具有重要的现实意义，有助于从全局把握道路的交通状况。例如，对象可以是车辆、行人等等。又例如，在无人驾驶领域，车辆检测是车辆感知外界环境的基础环节。
随着绿色低碳出行、环保节能理念的推广，电动汽车的数量快速增长。为保障用户出行，充电桩建设规模也在不断扩大。然而，充电桩布局和充电需求不均衡的问题逐渐显露。电动汽车用户出行经常找不到合适的充电桩，严重影响出行体验。此外，在大量充电桩建成后，充电桩运营商面临因充电桩使用率过低而导致亏损的问题。
基于遥感图像的车辆检测方法包括梯度比较法、背景差异法以及阈值分割法等等。这些方法主要是通过车辆与背景在形状或颜色上的差异，将车辆从图像中检测出来。在较复杂场景中，车辆检测精度不能满足实用要求。例如，较复杂场景例如可以包括光线较弱的夜晚、能见度较低的恶劣天气以及障碍物遮挡严重的交通场景。在较复杂场景中，这些车辆检测方法下易发生漏检、误检现象。
车辆检测方法还包括基于深度学习模型的检测方法。例如，利用带有车辆标签的样本图像训练神经网络，再利用训练好的神经网络进行车辆检测。然而，车辆在遥感图像中属于小尺寸目标。小目标的像素在图像中所占比例较小，信息较少，对小目标的特征提取存在瓶颈。神经网络在目标检测时能提取到的有效信息非常有限，对小目标检测效果很差。
例如，深度学习模型例如可以是YOLOv3(You Only Look Once v3)模型。YOLOv3模型可以包括特征提取子模型和检测子模型。特征提取子模型例如可以是基于Darknet-53网络构建的。特征提取子模型可以包括级联的5个特征提取模块，每个特征提取模块可以包括至少一个卷积层，5个特征提取模块可以共包括53个卷积层。检测子模型可以利用特征提取子模型输出的特征进行检测，得到检测结果。YOLOv3模型利用的特征已经被多次降维，信息有了一定的丢失。YOLOv3模型也无法充分利用图像的浅层特征，可能会漏检部分小目标对象。
图1是根据本公开一个实施例的可以应用地图数据处理方法和装置的示例性系统架构示意图。
需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括图像获取模块110、对象检测模块120、路网构建模块130和轨迹获取模块140和数据处理模块150。
图像获取模块110可以获取待检测图像。例如，待检测图像可以来自于待检测区域的卫星影像。
对象检测模块120可以对待检测图像进行检测，得到检测结果。该检测结果包括处于待检测区域内的多个对象，以及每个对象的检测框。
路网构建模块130可以构建路网拓扑结构，作为路网拓扑信息，添加至地图数据中。
轨迹获取模块140可以获取待检测区域内对象的轨迹信息。对象的轨迹信息可以包括对象的移动速度、对象处于待检测区域中的时长、对象停留的时长等等。
数据处理模块150可以根据轨迹信息，从待检测区域的地图数据中确定至少一个目标点的位置数据。例如，数据处理模块150还可以根据至少一个目标点的位置数据，确定充电桩的位置数据。
图2是根据本公开的一个实施例的地图数据处理方法的流程图。
如图2所示，该方法200可以包括操作S210至操作S230。
在操作S210，根据待检测图像的浅层特征进行目标检测，得到检测结果。
例如，待检测图像为与待检测区域相关的图像。
例如，可以利用上文所述YOLOv3模型的特征提取子模型对待检测图像进行特征提取，得到5个初始特征，分别为第1级初始特征、第2级初始特征、第3级初始特征、第4级初始特征和第5级初始特征。根据第1级初始特征至第5级初始特征，可以得到第1级特征至第5级特征。
可以将第2级特征作为待检测图像的浅层特征。再根据该浅层特征进行目标检测，得到检测结果。利用浅层特征可以更加准确地检测出待检测图像中的小目标，减少漏检。
在操作S220，根据检测结果和待检测区域的地图数据，确定目标区域。
例如，检测结果包括多个对象的检测框。根据检测框之间的距离，可以从待检测区域中确定几个候选区域。再根据地图数据和这些候选区域，将候选区域映射到地图中，以确定目标区域。
在操作S230，根据处于目标区域内对象的轨迹信息，从地图数据中确定至少一个目标点的位置数据。
例如，目标区域中可以包括多个对象。根据对象的轨迹信息，可以确定与对象相关的至少一个停留点。停留点与一个停留时间对应。将停留时间大于或等于预设时间阈值的停留点作为目标点，从地图数据中确定目标点的位置数据。
通过本公开实施例，利用待检测图像的浅层特征进行目标检测，可以准确地进行目标检测，减少漏检。例如，在分辨率较高、车辆所占像素比较少且背景情况复杂的遥感图像中，可以对车辆进行精确检测，检测结果具有鲁棒性。
通过本公开实施例，可以准确地确定待检测区域中车辆所处的区域。再结合该区域中对象的轨迹数据，可以高效地确定对象停留时间较长的目标点，以便为充电桩选址提供依据。
在一些实施例中，根据待检测图像的浅层特征进行目标检测，得到检测结果包括：对待检测图像进行N级特征提取，得到N级特征，其中，N为大于1的整数；以及根据N级特征中的至少一级特征进行目标检测，得到检测结果，其中，至少一级特征包括浅层特征。
在本公开实施例中，对待检测图像进行N级特征提取，得到N级特征包括：对第n-1级初始特征进行第n级特征提取，得到第n级初始特征，n为大于1的整数，n为小于或等于N-1的整数；对第n+1级特征进行上采样，得到上采样后的第n+1级特征；以及将上采样后的第n+1级特征与第n级初始特征融合，得到第n级特征。
例如，对图像进行N级特征提取，得到N级特征还包括：将第2级特征作为浅层特征；对待检测图像进行第1级特征提取，得到第1级初始特征；以及对第N-1级初始特征进行第N级特征提取，得到第N级初始特征，作为第N级特征。
接下来，将结合图3A至图3C对根据待检测图像的浅层特征进行目标检测进行详细说明。
图3A至图3C是根据本公开的一个实施例的特征提取子模型的原理图。
如图3A所示，特征提取子模型310可以包括多个DBL(Darknetconv2d_BN_Leaky，卷积批量归一化激励)单元、多个UpSample(上采样)单元、多个Conc(Concat，拼接)单元、多个Conv(Convolution，卷积)单元、Res(Residual，残差)1模块3102、Res2模块3103、Res4模块3104、Res4模块3105、Res2模块3106。
如图3B所示，DBL单元3101包括Conv层31011、BN(Batch Normalization，批量归一化)层31012和LeakyRelu(Leaky Linear Rectification Unit，带泄露的线性整流单元)层31013。其他DBL单元组成与DBL单元3101类似，本公开在此不再赘述。
如图3C所示，Res子模块313可以包括DBL单元3131、DBL单元3132和融合单元3133。Res子模块313的输入信息经DBL单元3131、DBL单元3132处理后，得到处理后信息。融合单元3133将处理后信息和输入信息融合，得到Res子模块313的输出信息。例如，Res1模块3102可以包括1个Res子模块313、Res2模块3103可以包括2个Res子模块313、Res4模块3104可以包括4个Res子模块313、Res4模块3105可以包括4个Res子模块313、Res2模块3106可以包括2个Res子模块313。
如图3A所示，待检测图像Image_i 301可以是与待检测区域相关的图像。例如，待检测图像Image_i 301可以来自于待检测区域的卫星影像。又例如，待检测图像Image_i301例如可以为416×416的图像。
待检测图像Image_i 301经DBL单元3101处理后，得到输入特征。
接下来，N个级联的模块可以对输入特征进行N级特征提取，得到N级特征。例如，Res1模块3102可以将输入特征作为其输入信息，进行第1级特征提取，得到输出信息。该输出信息可以作为第1级初始特征。
类似地，Res2模块3103可以对第1级初始特征进行第2级特征提取，得到第2级初始特征。Res4模块3104可以对第2级初始特征进行第3级特征提取，得到第3级初始特征。Res4模块3105可以对第3级初始特征进行第4级特征提取，得到第4级初始特征。Res2模块3106可以对第4级初始特征进行第5级特征提取，得到第5级初始特征。可以理解，本实施例中，N＝5。
DBL单元3107可以对第5级初始特征进行处理，得到第5级特征。DBL单元3108可以对第5级特征进行处理，得到第一处理后第5级特征。Conv单元3109可以对第一处理后第5级特征进行卷积，得到第一特征图y_13001。第一特征图y_13001例如可以为13×13的特征图。
DBL单元3110可以对第5级特征进行处理，得到第二处理后第5级特征。UpSample单元3111可以对第二处理后第5级特征进行上采样，得到上采样后的第5级特征。Conc单元3112将第4级初始特征和上采样后的第5级特征融合，得到第4级融合特征。DBL单元3113可以对第4级融合特征进行处理，得到第4级特征。DBL单元3114可以对第4级特征进行处理，得到第一处理后第4级特征。Conv单元3115可以对第一处理后第4级特征进行卷积，得到第二特征图y_2 3002。第二特征图y_2 3002例如可以为26×26的特征图。
DBL单元3116可以对第4级特征进行处理，得到第二处理后第4级特征。UpSample单元3117可以对第二处理后第4级特征进行上采样，得到上采样后的第4级特征。Conc单元3118将第3级初始特征和上采样后的第4级特征融合，得到第3级融合特征。DBL单元3119可以对第3级融合特征进行处理，得到第3级特征。DBL单元3120可以对第3级特征进行处理，得到第一处理后第3级特征。Conv单元3121可以对第一处理后第3级特征进行卷积，得到第三特征图y_3 3003。第三特征图y_3 3003例如可以为52×52的特征图。
DBL单元3122可以对第3级特征进行处理，得到第二处理后第3级特征。UpSample单元3123可以对第二处理后第3级特征进行上采样，得到上采样后的第3级特征。Conc单元3124将第2级初始特征和上采样后的第3级特征融合，得到第2级融合特征。DBL单元3125可以对第2级融合特征进行处理，得到第2级特征。DBL单元3126可以对第2级特征进行处理，得到第一处理后第2级特征。Conv单元3127可以对第一处理后第2级特征进行卷积，得到第四特征图y_4 3004。第四特征图y_4 3004例如可以为104×104的特征图。在一个示例中，第2级特征可以作为上文所述的浅层特征。通过本公开实施例，充分利用了待检测图像的浅层特征，可以提高深度学习模型的性能，有助于提高检测结果的准确性，有效地避免了漏检。
可以将第1级初始特征作为第1级特征。
接下来，可以根据N级特征中的至少一级特征进行目标检测，得到检测结果。
例如，至少一级特征可以包括上文所述的第2级特征至第5级特征。
又例如，如上文所述，第一特征图y_1 3001是根据上文所述的第5级特征得到的；第二特征图y_2 3002是根据上文所述的第4级特征得到的；第三特征图y_3 3003是根据上文所述的第3级特征得到的；第四特征图y_4 3004是根据上文所述的第2级特征得到的。
又例如，根据N级特征中的至少一级特征进行目标检测，得到检测结果可以包括：根据第一特征图、第二特征图、第三特征图和第四特征图，进行目标检测，得到检测结果。
又例如，根据N级特征中的至少一级特征进行目标检测，得到检测结果还可以包括：确定至少一个权重；以及根据至少一个权重，对至少一个特征进行加权，得到检测结果。下面将结合图4进行详细说明。
图4是根据本公开的一个实施例的检测子模型的原理图。
如图4所示，特征提取子模型410可以对待检测图像Image_i 401进行特征提取，得到第一特征图y_1 4001、第二特征图y_2 4002、第三特征图y_3 4003和第四特征图y_44004。可以理解，上文所述的关于特征提取子模型310、检测图像Image_i 301、第一特征图y_1 3001、第二特征图y_2 3002、第三特征图y_3 3003和第四特征图y_4 3004的详细描述，同样适用于本实施例中的特征提取子模型410、检测图像Image_i 401、第一特征图y_14001、第二特征图y_2 4002、第三特征图y_3 4003和第四特征图y_4 4004，本公开在此不在赘述。
检测子模型420可以包括权重层和Softmax分类层。权重层可以确定第一特征图y_1 4001的第一权重，也可以确定第二特征图y_2 4002的第二权重，也可以确定第三特征图y_3 4003的第三权重，以及也可以确定第四特征图y_4 4004的第四权重。
接下来，检测子模型420可以利用第一权重对第一特征图y_1 4001加权，得到第一加权特征图。检测子模型420也可以利用第二权重对第二特征图y_2 4002加权，得到第二加权特征图。检测子模型420也可以利用第三权重对第三特征图y_3 4003加权，得到第三加权特征图。检测子模型420也可以利用第四权重对第四特征图y_4 4004加权，得到第四加权特征图。
接下来，检测子模型420可以利用第一加权特征图、第二加权特征图、第三加权特征图和第四加权特征图，进行各种运算，得到加权结果。将加权结果输入Softmax分类层，得到检测结果。在一个示例中，各种运算例如可以包括求和运算、求平均运算等等。
在一些实施例中，检测结果用于指示处于待检测区域中的对象的状态，状态包括：静止状态和运动状态。
例如，待检测图像可以为多个。将多个待检测图像分别输入例如上文所述的特征提取子模型和检测子模型，得到多个加权结果。根据多个加权结果，确定多个分类结果。其中，每个分类结果包括指示对象为静止状态的概率和指示对象为运动状态的概率。基于多个分类结果，可以确定最终的检测结果。
在一些实施例中，地图数据包括路网拓扑信息，根据检测结果和地图数据，确定目标区域包括：根据检测结果，从待检测区域中确定对象密集区域；以及根据路网拓扑信息和对象密集区域，确定目标区域。下面将结合图5进行详细说明。
图5是根据本公开的一个实施例的对象密集区域的示意图。
上文所示的特征提取子模型和检测子模型可以对待检测图像501进行处理，得到检测结果。检测结果中包括多个对象的检测框。根据检测框之间的距离，可以从待检测区域中确定出至少一个对象密集区域。例如，对于检测框之间的距离小于第一预设距离阈值的多个检测框，可以确定一个对象密集区域，使得该多个检测框标记的区域位于该对象密集区域中。
如图5所示，至少一个对象密集区域可以包括对象密集区域5011和对象密集区域5012。在一个示例中，对象密集区域5011或对象密集区域5012中包括多个处于静止状态的车辆。可以理解，对象密集区域5011或对象密集区域5012中可以为静止车辆密集区域。
又例如，可以确定路网拓扑信息。在路网拓扑信息中，每个道路是由一系列有序的节点构成。任意两个相邻节点间构成一个路段。又例如，在确定路网拓扑信息的过程中，可以将每个路口作为一个节点。通过确定一个路段的端节点与另一个路段的端节点是否相同，可以确定任意两个路段是否互为彼此的进入路段或退出路段。由此可以得到路网中各路段之间的链接关系，从而确定路网拓扑信息。
接下来，将对象密集区域添加至路网拓扑信息中。可以理解，路网拓扑信息中可以包括原始的对象密集信息。可以将这些原始的对象密集信息删除。
又例如，在将对象密集区域添加至路网拓扑信息之后，相关地图数据得到了更新。与更新后的地图数据对应的地图中，包括多个目标区域。例如，一个目标区域对应上文所述的对象密集区域5011，另一个目标区域对应上文所述的对象密集区域5012。
在一些实施例中，根据处于目标区域内的对象的轨迹信息，从地图数据确定至少一个目标点的位置数据包括：根据轨迹信息，确定与对象相关的至少一个停留点，其中，停留点与一个停留时间对应；将停留时间大于或等于预设时间阈值的停留点作为目标点，从地图数据中确定目标点的位置数据。
例如，如上文所述，对象的轨迹信息可以包括对象的移动速度、对象处于待检测区域中的时长、对象停留的时长等等。对象的轨迹信息还可以包括多个轨迹点和对象的运动形式。在一个示例中，运动形式例如包括驾车、步行等等。
又例如，多个轨迹点中包括至少一个停留点。轨迹点可以指示对象所处的位置。相邻的两个轨迹点之间距离如果小于或等于第二预设距离阈值，可以将这两个轨迹点均作为停留点。在一个示例中，m个轨迹点例如可以实现为TD(Trajectory Dataset，轨迹数据集)：
TD＝{P1，P2，P3，...，Pm} (公式一)
m为大于3的整数。
如上文所述，可以从TD中确定至少一个停留点。至少一个停留点可以实现为SPTD(Stay Point TrajectoryDataset，停留点数据集)：
SPTD＝{Pa，Pb，Pc，...，Pi} (公式二)
每个停留点包括坐标信息(例如经度信息和维度信息)和停留时长。
将停留时间大于或等于预设时间阈值的停留点，作为目标点。根据目标点的位置数据，可以确定充电桩的位置。例如，可以将目标点作为充电桩布设的位置。
图6是根据本公开的另一个实施例的地图数据处理装置的框图。
如图6所示，该装置600可以包括目标检测模块610、第一确定模块620和第二确定模块630。
目标检测模块610，用于根据待检测图像的浅层特征进行目标检测，得到检测结果。例如，待检测图像为与待检测区域相关的图像。
第一确定模块620，用于根据检测结果和待检测区域的地图数据，确定目标区域。
第二确定模块630，用于根据处于目标区域内对象的轨迹信息，从地图数据中确定至少一个目标点的位置数据。
在一些实施例中，目标检测模块包括：特征提取子模块，用于对待检测图像进行N级特征提取，得到N级特征，其中，N为大于1的整数；以及检测子模块，用于根据N级特征中的至少一级特征进行目标检测，得到检测结果，其中，至少一级特征包括浅层特征。
在一些实施例中，特征提取子模块包括：第一特征提取单元，用于对第n-1级初始特征进行第n级特征提取，得到第n级初始特征，n为大于1的整数，n为小于或等于N-1的整数；上采样单元，用于对第n+1级特征进行上采样，得到上采样后的第n+1级特征；以及融合单元，用于将上采样后的第n+1级特征与第n级初始特征融合，得到第n级特征。
在一些实施例中，特征提取子模块还包括：第一确定单元，用于将第2级特征作为浅层特征；第二特征提取单元，用于对待检测图像进行第1级特征提取，得到第1级初始特征；以及第三特征提取单元，用于对第N-1级初始特征进行第N级特征提取，得到第N级初始特征，作为第N级特征。
在一些实施例中，检测子模块包括：第二确定单元，用于确定至少一个权重；以及加权单元，用于根据至少一个权重，对至少一个特征进行加权，得到检测结果。
在一些实施例中，检测结果用于指示处于待检测区域中的对象的状态，状态包括：静止状态和运动状态。
在一些实施例中，地图数据包括路网拓扑信息，第一确定模块包括：第一确定子模块，用于根据检测结果，从待检测区域中确定对象密集区域；以及第二确定子模块，用于根据路网拓扑信息和对象密集区域，确定目标区域。
在一些实施例中，第二确定模块包括：第三确定子模块，用于根据轨迹信息，确定与对象相关的至少一个停留点，其中，停留点与一个停留时间对应；第四确定子模块，用于将停留时间大于或等于预设时间阈值的停留点作为目标点，从地图数据中确定目标点的位置数据。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如地图数据处理方法。例如，在一些实施例中，地图数据处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的地图数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行地图数据处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种地图数据处理方法，包括：
对多个待检测遥感图像分别进行N级特征提取，得到多个所述待检测遥感图像各自的N级特征，其中，N为大于1的整数；
根据多个所述待检测遥感图像各自的所述N级特征中的至少一级特征进行目标检测，得到多个检测结果，其中，所述至少一级特征包括作为浅层特征的第2级特征，所述待检测遥感图像为与待检测区域相关的遥感图像，所述检测结果包括多个对象的检测框，所述检测结果用于指示处于所述待检测区域中的对象的状态，所述状态包括：静止状态和运动状态；
根据所述多个对象的检测框之间的距离，从所述待检测区域中确定出至少一个对象密集区域，其中，所述对象密集区域包括多个处于静止状态的对象；
根据所述至少一个对象密集区域和所述待检测区域的地图数据中的路网拓扑信息，确定目标区域；以及
根据处于所述目标区域内对象的轨迹信息，从所述地图数据中确定至少一个目标点的位置数据，
其中，所述根据多个所述待检测遥感图像各自的所述N级特征中的至少一级特征进行目标检测，得到多个检测结果包括：
确定多个所述待检测遥感图像各自的至少一个权重；
根据多个所述待检测遥感图像各自的至少一个权重，对多个所述待检测遥感图像各自的第一特征图、第二特征图、第三特征图和第四特征图进行加权，得到多个所述待检测遥感图像各自的加权结果；
根据多个所述加权结果，得到多个分类结果，其中，所述分类结果用于指示所述待检测遥感图像中对象为静止状态的概率和运动状态的概率；
根据多个分类结果，得到多个所述检测结果，其中，所述第一特征图、第二特征图、第三特征图和第四特征图是根据所述N级特征中的至少一级特征得到的，所述第四特征图是根据所述浅层特征得到的。
2.根据权利要求1所述的方法，其中，所述对多个待检测遥感图像分别进行N级特征提取，得到多个所述待检测遥感图像各自的N级特征包括：
对第n-1级初始特征进行第n级特征提取，得到第n级初始特征，n为大于1的整数，n为小于或等于N-1的整数；
对第n+1级特征进行上采样，得到上采样后的第n+1级特征；以及
将所述上采样后的第n+1级特征与所述第n级初始特征融合，得到第n级特征。
3.根据权利要求2所述的方法，其中，所述对多个待检测遥感图像分别进行N级特征提取，得到多个所述待检测遥感图像各自的N级特征还包括：
将第2级特征作为所述浅层特征；
对所述待检测遥感图像进行第1级特征提取，得到第1级初始特征；以及
对第N-1级初始特征进行第N级特征提取，得到第N级初始特征，作为第N级特征。
4.根据权利要求1所述的方法，其中，所述根据处于所述目标区域内的对象的轨迹信息，从所述地图数据确定至少一个目标点的位置数据包括：
根据所述轨迹信息，确定与所述对象相关的至少一个停留点，其中，所述停留点与一个停留时间对应；
将所述停留时间大于或等于预设时间阈值的停留点作为目标点，从所述地图数据中确定所述目标点的位置数据。
5. 一种地图数据处理装置，包括：
特征提取子模块，用于对多个待检测遥感图像分别进行N级特征提取，得到多个所述待检测遥感图像各自的N级特征，其中，N为大于1的整数；以及
检测子模块，用于根据多个所述待检测遥感图像各自的所述N级特征中的至少一级特征进行目标检测，得到多个检测结果，其中，所述至少一级特征包括作为浅层特征的第2级特征，所述待检测遥感图像为与待检测区域相关的遥感图像，所述检测结果包括多个对象的检测框，所述检测结果用于指示处于所述待检测区域中的对象的状态，所述状态包括：静止状态和运动状态；
第一确定子模块，用于根据所述多个对象的检测框之间的距离，从所述待检测区域中确定出至少一个对象密集区域，其中，所述对象密集区域包括多个处于静止状态的对象；
第二确定子模块，根据所述至少一个对象密集区域和所述待检测区域的地图数据中的路网拓扑信息，确定目标区域；以及
第二确定模块，用于根据处于所述目标区域内对象的轨迹信息，从所述地图数据中确定至少一个目标点的位置数据，
其中，所述检测子模块包括：
第二确定单元，用于确定多个所述待检测遥感图像各自的至少一个权重；以及
加权单元，用于根据多个所述待检测遥感图像各自的至少一个权重，对多个所述待检测遥感图像各自的第一特征图、第二特征图、第三特征图和第四特征图进行加权，得到多个所述待检测遥感图像各自的加权结果；根据多个所述加权结果，得到多个分类结果，其中，所述分类结果用于指示所述待检测遥感图像中对象为静止状态的概率和运动状态的概率；根据多个分类结果，得到多个所述检测结果，其中，所述第一特征图、第二特征图、第三特征图和第四特征图是根据所述N级特征中的至少一级特征得到的，所述第四特征图是根据所述浅层特征得到的。
6.根据权利要求5所述的装置，其中，所述特征提取子模块包括：
第一特征提取单元，用于对第n-1级初始特征进行第n级特征提取，得到第n级初始特征，n为大于1的整数，n为小于或等于N-1的整数；
上采样单元，用于对第n+1级特征进行上采样，得到上采样后的第n+1级特征；以及
融合单元，用于将所述上采样后的第n+1级特征与所述第n级初始特征融合，得到第n级特征。
7.根据权利要求6所述的装置，其中，所述特征提取子模块还包括：
第一确定单元，用于将第2级特征作为所述浅层特征；
第二特征提取单元，用于对所述待检测遥感图像进行第1级特征提取，得到第1级初始特征；以及
第三特征提取单元，用于对第N-1级初始特征进行第N级特征提取，得到第N级初始特征，作为第N级特征。
8.根据权利要求7所述的装置，其中，所述第二确定模块包括：
第三确定子模块，用于根据所述轨迹信息，确定与所述对象相关的至少一个停留点，其中，所述停留点与一个停留时间对应；
第四确定子模块，用于将所述停留时间大于或等于预设时间阈值的停留点作为目标点，从所述地图数据中确定所述目标点的位置数据。
9. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至4中任一项所述的方法。
CN202210611915.0A 2022-05-31 2022-05-31 地图数据处理方法、装置、电子设备和存储介质 Active CN114898226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210611915.0A CN114898226B (zh) 2022-05-31 2022-05-31 地图数据处理方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210611915.0A CN114898226B (zh) 2022-05-31 2022-05-31 地图数据处理方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN114898226A CN114898226A (zh) 2022-08-12
CN114898226B true CN114898226B (zh) 2024-03-26

Family

ID=82727030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210611915.0A Active CN114898226B (zh) 2022-05-31 2022-05-31 地图数据处理方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114898226B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784834A (zh) * 2016-08-31 2018-03-09 北京四维图新科技股份有限公司 一种充电设施的位置信息更新方法和装置、及导航芯片
CN112633066A (zh) * 2020-11-20 2021-04-09 苏州浪潮智能科技有限公司 一种航拍小目标检测方法、装置、设备及存储介质
CN113435370A (zh) * 2021-06-30 2021-09-24 北京英泰智科技股份有限公司 一种基于图像特征融合获取车辆排队长度的方法及装置
CN113963541A (zh) * 2021-10-21 2022-01-21 宜信普惠信息咨询(北京)有限公司 一种基于gps信号数据识别车辆聚集事件的方法及装置
CN114141014A (zh) * 2021-11-30 2022-03-04 中寰卫星导航通信有限公司 一种停车场的确定方法、装置、设备及存储介质
CN114241332A (zh) * 2021-12-17 2022-03-25 深圳博沃智慧科技有限公司 一种基于深度学习的固废场识别方法、装置以及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784834A (zh) * 2016-08-31 2018-03-09 北京四维图新科技股份有限公司 一种充电设施的位置信息更新方法和装置、及导航芯片
CN112633066A (zh) * 2020-11-20 2021-04-09 苏州浪潮智能科技有限公司 一种航拍小目标检测方法、装置、设备及存储介质
CN113435370A (zh) * 2021-06-30 2021-09-24 北京英泰智科技股份有限公司 一种基于图像特征融合获取车辆排队长度的方法及装置
CN113963541A (zh) * 2021-10-21 2022-01-21 宜信普惠信息咨询(北京)有限公司 一种基于gps信号数据识别车辆聚集事件的方法及装置
CN114141014A (zh) * 2021-11-30 2022-03-04 中寰卫星导航通信有限公司 一种停车场的确定方法、装置、设备及存储介质
CN114241332A (zh) * 2021-12-17 2022-03-25 深圳博沃智慧科技有限公司 一种基于深度学习的固废场识别方法、装置以及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于YOLO 的道路车辆拥堵分析模型;张家晨 等;计算机应用;第39卷(第1期);第93-97页 *
基于深度学习的运动车辆与静止车辆识别;许新楷 等;广播电视网络(第2期);第102-105页 *
基于轨迹数据的出租车充电站选址方法;罗思杰 等;计算机工程与应用;第58卷(第8期);第273-282页 *

Also Published As

Publication number Publication date
CN114898226A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN113264066B (zh) 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备
Guo et al. Context-aware object detection for vehicular networks based on edge-cloud cooperation
CN112800915A (zh) 建筑物变化检测方法、装置、电子设备以及存储介质
CN115909749B (zh) 车辆运行道路风险预警方法、装置、设备及存储介质
Sun et al. Roads and Intersections Extraction from High‐Resolution Remote Sensing Imagery Based on Tensor Voting under Big Data Environment
CN114742280B (zh) 路况预测方法及相应的模型训练方法、装置、设备及介质
US20230104225A1 (en) Method for fusing road data to generate a map, electronic device, and storage medium
CN114283343B (zh) 基于遥感卫星图像的地图更新方法、训练方法和设备
CN114898226B (zh) 地图数据处理方法、装置、电子设备和存储介质
CN117036457A (zh) 一种屋顶面积的测量方法、装置、设备及存储介质
CN114429631B (zh) 三维对象检测方法、装置、设备以及存储介质
CN113706705B (zh) 用于高精地图的图像处理方法、装置、设备以及存储介质
CN115775366A (zh) 道路目标检测方法、检测装置、电子设备及存储介质
CN115578431A (zh) 图像深度处理方法、装置、电子设备及介质
CN113850297A (zh) 道路数据的监测方法、装置、电子设备及存储介质
Karim et al. Auxiliary bounding box regression for object detection in optical remote sensing imagery
CN114627400A (zh) 一种车道拥堵检测方法、装置、电子设备和存储介质
CN114926655B (zh) 地理与视觉跨模态预训练模型的训练方法、位置确定方法
CN114529768B (zh) 确定对象类别的方法、装置、电子设备和存储介质
CN114155508B (zh) 一种道路变化检测方法、装置、设备以及存储介质
CN114049615B (zh) 行驶环境中交通对象融合关联方法、装置及边缘计算设备
CN114413922B (zh) 电子地图的导航方法、装置、设备、介质及产品
CN114998684B (zh) 地理与视觉跨模态预训练模型的训练方法、定位调整方法
CN114596549A (zh) 数据处理方法、装置、电子设备和存储介质
Dhiman et al. Identifying potholes under challenging weather conditions

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant