CN114972909A - 一种模型训练的方法、构建地图的方法及装置 - Google Patents
一种模型训练的方法、构建地图的方法及装置 Download PDFInfo
- Publication number
- CN114972909A CN114972909A CN202210530127.9A CN202210530127A CN114972909A CN 114972909 A CN114972909 A CN 114972909A CN 202210530127 A CN202210530127 A CN 202210530127A CN 114972909 A CN114972909 A CN 114972909A
- Authority
- CN
- China
- Prior art keywords
- image
- feature point
- matching
- image feature
- description
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000007906 compression Methods 0.000 claims description 67
- 230000006835 compression Effects 0.000 claims description 66
- 238000003860 storage Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
- G09B29/003—Maps
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种模型训练的方法、构建地图的方法及装置,服务器获取到第一图像和第二图像,并确定出第一图像和第二图像中包含的各图像特征点之间的匹配关系。在获取到第一图像和第二图像后,服务器将第一图像和第二图像输入到待训练的匹配模型中,以将第一图像和第二图像中包含的每个图像特征点的原始描述特征进行压缩,并针对第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在第二图像中与该图像特征点具有匹配关系的图像特征点的压缩描述特征之间的匹配度,作为第一匹配度。以最大化第一匹配度为优化目标,对匹配模型进行训练。
Description
技术领域
本说明书涉及无人驾驶技术领域,尤其涉及一种模型训练的方法、构建地图的方法及装置。
背景技术
在无人驾驶的环境下,需要构建出无人驾驶设备的地图,以使得无人机能够根据构建出的地图行驶。
在陌生的环境下构建地图,无人设备需要采集到大量的图像才能构建出高精度的地图,而受限于无人设备有限的存储空间,在构建地图时,往往需要通过减少图像中对于构建地图贡献较少的部分描述信息来降低采集到的图像所占用的存储空间。
在构建地图的过程中,需要无人设备获取到的多张图像中对应于现实世界中的同一特征点匹配起来,而因为减少了图像中的部分描述信息,导致获取到的图像中包含的特征点间的区分度降低,使得特征点匹配的准确度降低。
所以,如何能够在无人设备有限的存储空间的情况下,保证特征点的匹配准确度,从而保证构建出的地图的精度,则是一个亟待解决的问题。
发明内容
本说明书提供一种模型训练的方法、构建地图的方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种模型训练的方法、构建地图的方法,包括:
获取第一图像和第二图像,并确定出所述第一图像以及所述第二图像中包含的各图像特征点之间的匹配关系;
将所述第一图像和所述第二图像输入到待训练的匹配模型中,以将所述第一图像和所述第二图像中包含的每个图像特征点的原始描述特征进行压缩,并针对所述第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在所述第二图像中与该图像特征点具有所述匹配关系的图像特征点的压缩描述特征之间的匹配度,作为第一匹配度;
以最大化所述第一匹配度为优化目标,对所述匹配模型进行训练。
可选地,所述方法还包括:
针对所述第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在所述第二图像中与该图像特征点不具有所述匹配关系的图像特征点的压缩描述特征之间的匹配度,作为第二匹配度;
以最小化所述第二匹配度为优化目标,对所述匹配模型进行训练。
可选地,所述匹配模型包括:第一编码器和第二编码器;
将所述第一图像和所述第二图像输入到待训练的匹配模型中,以将所述第一图像和所述第二图像中包含的每个图像特征点的原始描述特征进行压缩,具体包括:
将所述第一图像输入到所述第一编码器中,以将所述第一图像中包含的每个图像特征点的原始描述特征进行压缩;
将所述第二图像输入到所述第二编码器中,以将所述第二图像中包含的每个图像特征点的原始描述特征进行压缩。
可选地,针对所述第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在所述第二图像中与该图像特征点具有所述匹配关系的图像特征点的压缩描述特征之间的匹配度,具体包括:
将所述第二图像中包含的部分图像特征点的压缩描述特征放入指定长度的队列中;
针对所述第一图像中包含的每个图像特征点,在确定出该图像特征点的压缩描述特征与所述队列中包含的每个压缩描述特征之间的匹配度后,删除所述队列中包含的压缩描述特征,并将所述第二图像中未加入过所述队列的图像特征点的压缩描述特征放入所述队列中,直至确定出该图像特征点的压缩描述特征与所述第二图像中包含的每个图像特征点的压缩描述特征之间的匹配度为止。
可选地,所述第一编码器的网络结构和所述第二编码器的网络结构相同;
对所述匹配模型进行训练,具体包括:
根据所述匹配模型输出的结果以及所述优化目标,调整所述第一编码器的网络参数,并根据调整后的所述第一编码器的网络参数,调整所述第二编码器的网络参数;或
根据所述匹配模型输出的结果以及所述优化目标,调整所述第二编码器的网络参数,并根据调整后的所述第二编码器的网络参数,调整所述第一编码器的网络参数。
可选地,针对所述第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在所述第二图像中与该图像特征点具有所述匹配关系的图像特征点的压缩描述特征之间的匹配度,作为第一匹配度,具体包括:
将所述第一图像中包含的每个图像特征点输入所述第一编码器中,确定该图像特征点的压缩描述特征,将所述第一图像中包含的各图像特征点的压缩描述特征作为查询值;
将所述第二图像中包含的每个图像特征点输入所述第二编码器中,确定该图像特征点的压缩描述特征,将所述第二图像中包含的各图像特征点的压缩描述特征作为键值;
针对所述第一图像中包含的每个图像特征点,确定出该图像特征点的查询值,和在所述第二图像中与该图像特征点具有所述匹配关系的图像特征点的键值之间的匹配度,作为所述第一匹配度。
本说明书提供了一种构建地图的方法,包括:
获取用于构建地图的各目标图像;
将所述各目标图像输入到预先训练的匹配模型中,以对所述各目标图像中包含的图像特征点的原始描述特征进行压缩,并确定出不同目标图像中的图像特征点的压缩描述特征之间的匹配度,所述匹配模型是通过上述模型训练的方法训练得到的;
根据所述匹配度以及所述各目标图像,构建地图。
本说明书提供了一种模型训练的装置,包括:
获取模块,用于获取第一图像和第二图像,并确定出所述第一图像以及所述第二图像中包含的各图像特征点之间的匹配关系;
确定模块,用于将所述第一图像和所述第二图像输入到待训练的匹配模型中,以将所述第一图像和所述第二图像中包含的每个图像特征点的原始描述特征进行压缩,并针对所述第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在所述第二图像中与该图像特征点具有所述匹配关系的图像特征点的压缩描述特征之间的匹配度,作为第一匹配度;
优化模块,用于以最大化所述第一匹配度为优化目标,对所述匹配模型进行训练。
本说明书提供了一种构建地图的装置,包括:
获取模块,用于获取用于构建地图的各目标图像;
压缩模块,用于将所述各目标图像输入到预先训练的匹配模型中,以对所述各目标图像中包含的图像特征点的原始描述特征进行压缩,并确定出不同目标图像中的图像特征点的压缩描述特征之间的匹配度,所述匹配模型是通过上述模型训练的方法训练得到的;
构建模块,用于根据所述匹配度以及所述各目标图像,构建地图。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述模型训练的方法、构建地图的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述模型训练的方法、构建地图的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的模型训练的方法、构建地图的方法中,服务器获取到第一图像和第二图像,并确定出第一图像和第二图像中包含的各图像特征点之间的匹配关系。在获取到第一图像和第二图像后,服务器将第一图像和第二图像输入到待训练的匹配模型中,以将第一图像和第二图像中包含的每个图像特征点的原始描述特征进行压缩,并针对第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在第二图像中与该图像特征点具有匹配关系的图像特征点的压缩描述特征之间的匹配度,作为第一匹配度。以最大化第一匹配度为优化目标,对匹配模型进行训练。
从上述方法中可以看出,可以根据压缩第一图像和压缩第二图像之前获取到的各图像特征点之间的匹配关系,确定具有匹配关系的各图像特征点之间的匹配度,以最大化该匹配度为优化目标,对模型进行训练。这样在实际应用过程中,可以有效地保证压缩后各图像特征点之间匹配的准确度,从而保证了最终构建出的地图的精度。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书提供的一种模型训练的方法的流程示意图;
图2为本说明书提供的一种构建地图的方法的流程示意图;
图3为本说明书提供的一种匹配模型的运行流程;
图4为本说明书提供的一种模型训练的装置的示意图;
图5为本说明书提供的一种构建地图的装置的示意图;
图6为本说明书提供的一种对应于图1的电子设备的示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种模型训练的方法的流程示意图,包括以下步骤:
S101:获取第一图像和第二图像,并确定出所述第一图像以及所述第二图像中包含的各图像特征点之间的匹配关系。
在本说明书中,具体实施构建地图的方法的执行主体可以是服务器、台式电脑、笔记本电脑等终端设备,也可以是指诸如无人机、无人车、自动驾驶机器人等无人设备,为便于描述,下面仅以服务器为例,对本说明书提供的构建地图的方法进行说明。
目前,无人设备在陌生的环境下构建地图,往往需要采集到大量的图像,才能构建出高精度的地图,而受限于无人设备有限的存储空间,在构建地图时,需要通过减少图像中对于构建地图贡献较少的部分描述信息来降低采集到的图像所占用的存储空间。
而在构建地图的过程中,首先需要获取到由无人设备携带的图像采集设备(如摄像头)采集到的多张图像,然后提取图像中包含的各特征点,将对应于真实世界同一位置的特征点匹配起来,以确定出各特征点之间的匹配关系,并根据各特征点之间的匹配关系和获取到的图像,构建地图。
在实际应用中,无人设备在获取到图像后,往往会通过减少获取到的图像的描述特征来减少图像所占用的存储空间。而因为减少了图像中的部分描述特征,导致获取到的图像中包含的特征点间的区分度降低,使得特征点匹配的准确度降低。
基于此,本说明书提供了一种模型训练的方法,服务器首先获取到用于构建地图的多张图像,针对获取到的目标图像中至少部分相同的两张图像,作为第一图像和第二图像。在服务器获取到第一图像和第二图像的后,提取出第一图像和第二图像中包含的图像特征点,并确定出第一图像和第二图像中包含的各图像特征点之间的匹配关系。
在本说明书中,对提取出第一图像和第二图像中包含的图像特征点的方法以及确定出第一图像和第二图像中包含的各图像特征点之间匹配关系的方式为现有的常规方式,在此不做具体限定。
其中,第一图像和第二图像可以是由无人设备拍摄、有人驾驶设备拍摄、摄像机拍摄等图像获取方式。而应用本说明书提供的构建地图方法构建出的地图的无人设备,可以用于执行配送领域的配送任务,如,使用无人设备进行快递、物流、外卖等配送的业务场景。
S102:将所述第一图像和所述第二图像输入到待训练的匹配模型中,以将所述第一图像和所述第二图像中包含的每个图像特征点的原始描述特征进行压缩,并针对所述第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在所述第二图像中与该图像特征点具有所述匹配关系的图像特征点的压缩描述特征之间的匹配度,作为第一匹配度。
服务器在获取到第一图像和第二图像后,将第一图像和第二图像输入到待训练的匹配模型中,以将第一图像和第二图像中包含的每个图像特征点的原始描述特征进行压缩。其中,描述特征用于表征图像特征点周围的图像特征附近用于确定该图像特征点与其他图像特征点是否具有匹配关系的特征向量。而原始描述特征是指第一图像和第二图像在压缩之前,各图像特征点包含的描述特征。
因为各图像特征点在描述特征压缩的前后,其在图像中的位置是不变的,那么,在压缩前具有匹配关系的图像特征点,理应在压缩有也具有匹配关系。所以,针对第一图像中包含的每个图像特征点,服务器可以根据获取到的各图像特征点之间的匹配关系,确定出第二图像中与该图像特征点具有匹配关系的图像特征点。服务器在确定出与该图像特征点具有匹配关系的图像特征点后,获取到的该图像特征点的压缩描述特征以及与该图像特征点具有匹配关系的图像特征点的压缩描述特征,并确定出该图像特征点的压缩描述特征以及与该图像特征点具有匹配关系的图像特征点的压缩描述特征之间的匹配度,作为第一匹配度。其中,匹配度可以根据获取到的压缩描述特征之间灰度值的的相似度。
因此,针对第一图像中包含的每个图像特征点,服务器可以确定出在第二图像中与该图像特征点不具有匹配关系的图像特征点的压缩描述特征,与该图像特征点的压缩描述特征之间的匹配度,作为第二匹配度。
需要说明的是,本说明书提供的匹配模型包含有两个编码器,即第一编码器和第二编码器。其中,第一编码器用于,在服务器将第一图像输入到第一编码器后,将第一图像中包含的每个图像特征点的原始描述特征进行压缩。而第二编码器用于,在服务器将第二图像输入到第二编码器后,将第二图像中包含的每个图像特征点的原始描述特征进行压缩。
服务器设置第一编码器与第二编码器的目的是为了能够更快捷确定出第一图像中包含的各图像特征点的压缩描述特征与第二图像中包含的每个图像特征点的压缩描述特征之间的匹配度。即,服务器可以在将第一图像中输入第一编码器中,并在确定出第一图像中包含的每个图像特征点的压缩描述特征后,可以将第一图像中包含内的各图像特征点的压缩描述特征作为查询值。同时,服务器可以在将第二图像中输入第二编码器中,并在确定出第二图像中包含的每个图像特征点的压缩描述特征后,将第二图像中包含内的各图像特征点的压缩描述特征作为键值。
针对第一图像中包含的每个图像特征点,服务器可以将确定该图像特征点的查询值,和在第二图像中与该图像特征点具有匹配关系的图像特征点的键值之间的匹配度,作为第一匹配度。同理,针对第一图像中包含的每个图像特征点,服务器可以将确定该图像特征点的查询值,和在第二图像中与该图像特征点不具有匹配关系的图像特征点的键值之间的匹配度,作为第二匹配度。这样服务器可以通过查询值以及键值之间的关系,更快捷的完成对匹配模型的训练。
在实际应用中,因为图形处理器(graphics processing unit,GPU)的内存的限制,本说明书通过设置队列来确定第一匹配度以及第二匹配度。即,将第二图像中包含的部分图像特征点的压缩描述特征放入指定长度的队列中,这里的队列长度可以根据实际情况进行设置。针对第一图像中包含的每个图像特征点,在确定出该图像特征点的压缩描述特征与队列中包含的每个压缩描述特征之间的匹配度后,删除队列中包含的压缩描述特征,并将第二图像中未加入过队列的图像特征点的压缩描述特征放入队列中,直至确定出该图像特征点的压缩描述特征与第二图像中包含的每个图像特征点的压缩描述特征之间的匹配度为止。
例如,假设第二图像中包含有100个图像特征点,队列的指定长度为10,服务器可以从第二图像中选取10个图像特征点,并将这10个图像特征点的压缩描述特征放入队列中,在确定出当前队列中包含的所有压缩描述特征与第一图像中的一个图像特征点的压缩描述特征之间的匹配度后,可以将当前队列中的10个压缩描述特征删除,并从第二图像中剩下的90个图像特征点中再选取出10个图像特征点,并将重新选择出的这10个图像特征点的压缩描述特征放入队列中。直至确定出第一图像的这一图像特征点的压缩描述特征与第二图像中这100个图像特征点的压缩描述特征之间的匹配度为止。
需要说明的是,服务器提前对第二图像中包含的各图像特征点的压缩描述特征进行排序,从而决定压缩描述特征放入队列的顺序,也可以随机放入,只需要保证放入的压缩描述特征的数量符合预设的队列长度即可,对于放入队列的图像特征点的顺序不做具体限定,而在实际应用中,可以将队列的长度设置为65536。
S103:以最大化所述第一匹配度为优化目标,对所述匹配模型进行训练。
服务器在获取第一图像中包含的各图像特征点的压缩描述特征,与第二图像中包含的每个图像特征点的压缩描述特征之间的第一匹配度或第二匹配度后,以最大化第一匹配度为优化目标,和以最小化第二匹配度为优化目标,对匹配模型进行训练。
具体的,服务器可以根据预先设置的损失函数来对匹配模型进行训练,本说明书提供一种用于训练匹配模型的损失函数:
上述损失函数中,L代表损失值,zq代表针对第一图像中包含的每个图像特征点的查询值,zk代表第二图像中与zq对应的图像特征点具有匹配关系的图像特征点的键值,代表第二图像中包含的第i个图像特征点对应的键值。τ为调整参数,zq.zk代表zq与zk之间的匹配度,代表zq与之间的匹配度。k代表第二图像中包含有k个图像特征点,因此表征为第一图像中zq与第二图像中包含的所有图像特征点之间匹配度的和。在实际应用中,为了更加有效完成对匹配模型的训练,τ的值可以设置为0.07。
从上述损失函数可以看出,zq与zk的乘积越大则对应的损失值越小,即具有匹配关系的图像特征点之间的匹配度越大,则损失函数越小。zq与的乘积越小则损失值越小,而虽然中包含有zk,但是因为第二图像中包含的图像特征点的数量往往较大,因此与zq不具有匹配关系的图像特征点的键值,对的值的影响远大于zk对于的值的影响。所以,不具有匹配关系的图像特征点之间的匹配度越小,可以导致上述损失函数越小。因此针对每次训练,通过调整相关的参数,以最小化损失函数的值为优化目标,对模型进行训练。
服务器在每次完成对匹配模型的训练后,会对第一编码器和/或第二编码器的参数进行调整,而为了调整参数的便利,在本说明书中,可以将第一编码器与第二编码器设置为网络结构相同的编码器,即,第一编码器的网络结构和第二编码器的网络结构相同,以使得在服务器根据匹配模型输出的结果以及优化目标,调整第一编码器的网络参数后,可以根据调整后的第一编码器的网络参数,调整第二编码器的网络参数。同理,服务器同样可以在根据匹配模型输出的结果以及优化目标,调整第二编码器的网络参数后,根据调整后的第二编码器的网络参数,调整第一编码器的网络参数。
具体的可以参照如下公式:
θk←mθk+(1-m)θq
上述公式中,θq代表根据匹配模型输出的结果以及优化目标,调整的编码器的网络参数,θk代表根据θq调整后的参数调整的编码器的网络参数,m为权重系数,用于控制θq的参数调整对于θk的影响。即,在服务器根据匹配模型输出的结果以及优化目标,调整第一编码器的网络参数θq后,可以根据调整后的第一编码器的网络参数θq,调整第二编码器的网络参数θk。同理,在服务器可以在根据匹配模型输出的结果以及优化目标,调整第二编码器的网络参数θq后,根据调整后的第二编码器的网络参数θq,调整第一编码器的网络参数θk。在本说明书中,为了保证为了能够保证调整参数的效果,m的值可以设置为0.9。
上述为本说明书提供的一种模型训练的方法,以下结合附图,说明在实际应用中基于上述方式训练出的模型如何进行地图构建,如图2所示。
图2为本说明书提供的一种构建地图的方法的流程示意图,包括以下步骤:
S201:获取用于构建地图的各目标图像。
在实际应用中,无人设备在陌生的环境下,可以获取到用于构建地图的目标图像。其中,获取目标图像的方式可以为使用装载于无人设备的图像采集设备(如摄像头)进行图像采集。
S202:将所述各目标图像输入到预先训练的匹配模型中,以对所述各目标图像中包含的图像特征点的原始描述特征进行压缩,并确定出不同目标图像中的图像特征点的压缩描述特征之间的匹配度,所述匹配模型是通过上述模型训练的方法训练得到的。
服务器在获取到目标图像后,将目标图像输入到根据上述模型训练的方法训练得到的匹配模型中,以对各目标图像中包含的图像特征点的原始描述特征进行压缩,并确定出不同目标图像中的图像特征点的压缩描述特征之间的匹配度。如图3为本说明书提供的一种匹配模型的运行流程,
在图3中,服务器将描述特征A,即第一图像中包含的各图像特征点的描述特征输入到第一编码器中,得到压缩特征A,即压缩后的第一图像中包含的各图像特征点的压缩描述特征。同时,服务器将描述特征B,即第二图像中包含的各图像特征点的描述特征输入到第二编码器中,得到压缩描述特征B,即压缩后的第二图像中包含的各图像特征点的压缩描述特征。
服务器根据压缩后的压缩描述特征确定出不同目标图像中的图像特征点的压缩描述特征之间的匹配度。
S203:根据所述匹配度以及所述各目标图像,构建地图。
服务器在获取到匹配度后,根据匹配度,确定出具有匹配关系的各图像特征点,并根据各图像特征点之间的匹配关系,确定出采集到各目标图像时,图像采集设备所处的位姿。
服务器可以根据确定出的采集到各目标图像时,图像采集设备所处的位姿,将各目标图像映射到预设的三维空间中。随着采集到的目标图像的数量增加,逐渐完善三维空间中构建出的地图,直至构建出完整的地图。
从上述方法可以看出,服务器可以根据压缩第一图像和压缩第二图像之前获取到的各图像特征点之间的匹配关系,确定具有匹配关系的各图像特征点之间的匹配度,以最大化该匹配度为优化目标,对模型进行训练。以及利用了两个编码器获取到的查询值以及键值来确定各图像特征点之间的匹配度,保证了各图像特征点之间匹配的准确度,以使得保证了最终构建出的地图的精度。且同时利用了队列的方式来确定各图像特征点的描述特征之间的匹配度,减少了GPU的存储压力。且利用了第一编码器与第二编码器网络结构相同的特性来调整第一编码器和第二编码器的参数,提高了模型训练的效率。
需要说明的是,本说明书中提到的第一图像和第二图像可以互相交换,即,服务器可以针对第二图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在第一图像中与该图像特征点具有匹配关系的图像特征点的压缩描述特征之间的匹配度,并以最大化该匹配度为优化目标,对匹配模型进行训练。同理,针对第一编码器以及第二编码器,也可以将第一图像输入到第二编码器中,将第二图像输入到第一编码器中,以进行后续对图像特征点的描述特征压缩过程。
在本说明书中,服务器可以将具有匹配关系的一对图像特征点的压缩描述特征作为一个正样本,将不具有匹配关系的一对图像特征点的压缩描述特征作为一个负样本。即,可以将图像特征点的压缩描述特征作为训练样本,而不需要将图像作为训练样本,这样极大程度上减少了训练匹配模型所需的图像的数量。
图4为本说明书提供的一种模型训练的装置的示意图,包括:
获取模块401,用于获取第一图像和第二图像,并确定出所述第一图像以及所述第二图像中包含的各图像特征点之间的匹配关系;
确定模块402,用于将所述第一图像和所述第二图像输入到待训练的匹配模型中,以将所述第一图像和所述第二图像中包含的每个图像特征点的原始描述特征进行压缩,并针对所述第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在所述第二图像中与该图像特征点具有所述匹配关系的图像特征点的压缩描述特征之间的匹配度,作为第一匹配度;
优化模块403,用于以最大化所述第一匹配度为优化目标,对所述匹配模型进行训练。
可选地,所述优化模块403还用于,针对所述第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在所述第二图像中与该图像特征点不具有所述匹配关系的图像特征点的压缩描述特征之间的匹配度,作为第二匹配度;以最小化所述第二匹配度为优化目标,对所述匹配模型进行训练。
可选地,所述匹配模型包括:第一编码器和第二编码器;
所述确定模块402具体用于,将所述第一图像和所述第二图像输入到待训练的匹配模型中,以将所述第一图像和所述第二图像中包含的每个图像特征点的原始描述特征进行压缩,具体包括:将所述第一图像输入到所述第一编码器中,以将所述第一图像中包含的每个图像特征点的原始描述特征进行压缩;将所述第二图像输入到所述第二编码器中,以将所述第二图像中包含的每个图像特征点的原始描述特征进行压缩。
可选地,所述确定模块402具体用于,将所述第二图像中包含的部分图像特征点的压缩描述特征放入指定长度的队列中;针对所述第一图像中包含的每个图像特征点,在确定出该图像特征点的压缩描述特征与所述队列中包含的每个压缩描述特征之间的匹配度后,删除所述队列中包含的压缩描述特征,并将所述第二图像中未加入过所述队列的图像特征点的压缩描述特征放入所述队列中,直至确定出该图像特征点的压缩描述特征与所述第二图像中包含的每个图像特征点的压缩描述特征之间的匹配度为止。
可选地,所述第一编码器的网络结构和所述第二编码器的网络结构相同;
所述优化模块403具体用于,根据所述匹配模型输出的结果以及所述优化目标,调整所述第一编码器的网络参数,并根据调整后的所述第一编码器的网络参数,调整所述第二编码器的网络参数;或根据所述匹配模型输出的结果以及所述优化目标,调整所述第二编码器的网络参数,并根据调整后的所述第二编码器的网络参数,调整所述第一编码器的网络参数。
可选地,所述确定模块402具体用于,将所述第一图像中包含的每个图像特征点输入所述第一编码器中,确定该图像特征点的压缩描述特征,将所述第一图像中包含的各图像特征点的压缩描述特征作为查询值;将所述第二图像中包含的每个图像特征点输入所述第二编码器中,确定该图像特征点的压缩描述特征,将所述第二图像中包含的各图像特征点的压缩描述特征作为键值;针对所述第一图像中包含的每个图像特征点,确定出该图像特征点的查询值,和在所述第二图像中与该图像特征点具有所述匹配关系的图像特征点的键值之间的匹配度,作为所述第一匹配度。
图5为本说明书提供的一种构建地图的装置的示意图,包括:
获取模块501,用于获取用于构建地图的各目标图像;
压缩模块502,用于将所述各目标图像输入到预先训练的匹配模型中,以对所述各目标图像中包含的图像特征点的原始描述特征进行压缩,并确定出不同目标图像中的图像特征点的压缩描述特征之间的匹配度,所述匹配模型是通过上述模型训练的方法训练得到的;
构建模块503,用于根据所述匹配度以及所述各目标图像,构建地图。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种模型训练的方法和图2提供的一种构建地图的方法。
本说明书还提供了图6所示的一种对应于图1的电子设备的示意结构图。如图6所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的模型训练的方法和图2提供的一种构建地图的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (11)
1.一种模型训练的方法,其特征在于,包括:
获取第一图像和第二图像,并确定出所述第一图像以及所述第二图像中包含的各图像特征点之间的匹配关系;
将所述第一图像和所述第二图像输入到待训练的匹配模型中,以将所述第一图像和所述第二图像中包含的每个图像特征点的原始描述特征进行压缩,并针对所述第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在所述第二图像中与该图像特征点具有所述匹配关系的图像特征点的压缩描述特征之间的匹配度,作为第一匹配度;
以最大化所述第一匹配度为优化目标,对所述匹配模型进行训练。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
针对所述第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在所述第二图像中与该图像特征点不具有所述匹配关系的图像特征点的压缩描述特征之间的匹配度,作为第二匹配度;
以最小化所述第二匹配度为优化目标,对所述匹配模型进行训练。
3.如权利要求1或2所述的方法,其特征在于,所述匹配模型包括:第一编码器和第二编码器;
将所述第一图像和所述第二图像输入到待训练的匹配模型中,以将所述第一图像和所述第二图像中包含的每个图像特征点的原始描述特征进行压缩,具体包括:
将所述第一图像输入到所述第一编码器中,以将所述第一图像中包含的每个图像特征点的原始描述特征进行压缩;
将所述第二图像输入到所述第二编码器中,以将所述第二图像中包含的每个图像特征点的原始描述特征进行压缩。
4.如权利要求3所述的方法,其特征在于,针对所述第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在所述第二图像中与该图像特征点具有所述匹配关系的图像特征点的压缩描述特征之间的匹配度,具体包括:
将所述第二图像中包含的部分图像特征点的压缩描述特征放入指定长度的队列中;
针对所述第一图像中包含的每个图像特征点,在确定出该图像特征点的压缩描述特征与所述队列中包含的每个压缩描述特征之间的匹配度后,删除所述队列中包含的压缩描述特征,并将所述第二图像中未加入过所述队列的图像特征点的压缩描述特征放入所述队列中,直至确定出该图像特征点的压缩描述特征与所述第二图像中包含的每个图像特征点的压缩描述特征之间的匹配度为止。
5.如权利要求3所述的方法,其特征在于,所述第一编码器的网络结构和所述第二编码器的网络结构相同;
对所述匹配模型进行训练,具体包括:
根据所述匹配模型输出的结果以及所述优化目标,调整所述第一编码器的网络参数,并根据调整后的所述第一编码器的网络参数,调整所述第二编码器的网络参数;或
根据所述匹配模型输出的结果以及所述优化目标,调整所述第二编码器的网络参数,并根据调整后的所述第二编码器的网络参数,调整所述第一编码器的网络参数。
6.如权利要求3所述的方法,其特征在于,针对所述第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在所述第二图像中与该图像特征点具有所述匹配关系的图像特征点的压缩描述特征之间的匹配度,作为第一匹配度,具体包括:
将所述第一图像中包含的每个图像特征点输入所述第一编码器中,确定该图像特征点的压缩描述特征,将所述第一图像中包含的各图像特征点的压缩描述特征作为查询值;
将所述第二图像中包含的每个图像特征点输入所述第二编码器中,确定该图像特征点的压缩描述特征,将所述第二图像中包含的各图像特征点的压缩描述特征作为键值;
针对所述第一图像中包含的每个图像特征点,确定出该图像特征点的查询值,和在所述第二图像中与该图像特征点具有所述匹配关系的图像特征点的键值之间的匹配度,作为所述第一匹配度。
7.一种构建地图的方法,其特征在于,包括:
获取用于构建地图的各目标图像;
将所述各目标图像输入到预先训练的匹配模型中,以对所述各目标图像中包含的图像特征点的原始描述特征进行压缩,并确定出不同目标图像中的图像特征点的压缩描述特征之间的匹配度,所述匹配模型是通过上述权利要求1~6任一项所述的方法训练得到的;
根据所述匹配度以及所述各目标图像,构建地图。
8.一种模型训练的装置,其特征在于,包括:
获取模块,用于获取第一图像和第二图像,并确定出所述第一图像以及所述第二图像中包含的各图像特征点之间的匹配关系;
确定模块,用于将所述第一图像和所述第二图像输入到待训练的匹配模型中,以将所述第一图像和所述第二图像中包含的每个图像特征点的原始描述特征进行压缩,并针对所述第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在所述第二图像中与该图像特征点具有所述匹配关系的图像特征点的压缩描述特征之间的匹配度,作为第一匹配度;
优化模块,用于以最大化所述第一匹配度为优化目标,对所述匹配模型进行训练。
9.一种构建地图的装置,其特征在于,包括:
获取模块,用于获取用于构建地图的各目标图像;
压缩模块,用于将所述各目标图像输入到预先训练的匹配模型中,以对所述各目标图像中包含的图像特征点的原始描述特征进行压缩,并确定出不同目标图像中的图像特征点的压缩描述特征之间的匹配度,所述匹配模型是通过上述权利要求1~6任一项所述的方法训练得到的;
构建模块,用于根据所述匹配度以及所述各目标图像,构建地图。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210530127.9A CN114972909A (zh) | 2022-05-16 | 2022-05-16 | 一种模型训练的方法、构建地图的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210530127.9A CN114972909A (zh) | 2022-05-16 | 2022-05-16 | 一种模型训练的方法、构建地图的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114972909A true CN114972909A (zh) | 2022-08-30 |
Family
ID=82983357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210530127.9A Pending CN114972909A (zh) | 2022-05-16 | 2022-05-16 | 一种模型训练的方法、构建地图的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972909A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898186A (zh) * | 2018-07-03 | 2018-11-27 | 北京字节跳动网络技术有限公司 | 用于提取图像的方法和装置 |
CN113034553A (zh) * | 2019-12-09 | 2021-06-25 | Oppo广东移动通信有限公司 | 图像配准算法的评估方法、终端及存储介质 |
US20220114750A1 (en) * | 2019-10-31 | 2022-04-14 | Guangdong Oppo Mobile Telecommunications Corp.,Ltd. | Map constructing method, positioning method and wireless communication terminal |
-
2022
- 2022-05-16 CN CN202210530127.9A patent/CN114972909A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898186A (zh) * | 2018-07-03 | 2018-11-27 | 北京字节跳动网络技术有限公司 | 用于提取图像的方法和装置 |
US20220114750A1 (en) * | 2019-10-31 | 2022-04-14 | Guangdong Oppo Mobile Telecommunications Corp.,Ltd. | Map constructing method, positioning method and wireless communication terminal |
CN113034553A (zh) * | 2019-12-09 | 2021-06-25 | Oppo广东移动通信有限公司 | 图像配准算法的评估方法、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611798B (zh) | 一种词向量处理方法及装置 | |
CN112766468B (zh) | 一种轨迹预测方法、装置、存储介质及电子设备 | |
CN111508258B (zh) | 一种定位方法及装置 | |
CN111238450B (zh) | 视觉定位方法及装置 | |
CN111882611B (zh) | 一种地图构建方法及装置 | |
CN115600157B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN117635822A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN112990099B (zh) | 一种车道线检测的方法以及装置 | |
CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN116186330B (zh) | 一种基于多模态学习的视频去重方法及装置 | |
CN117036829A (zh) | 一种基于原型学习实现标签增强的叶片细粒度识别方法和系统 | |
CN114972909A (zh) | 一种模型训练的方法、构建地图的方法及装置 | |
CN115018866A (zh) | 一种边界确定方法、装置、存储介质及电子设备 | |
CN115130621A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN114332189A (zh) | 一种高精地图构建方法、装置、存储介质及电子设备 | |
CN112734851A (zh) | 一种位姿确定的方法以及装置 | |
CN115034367A (zh) | 一种模型部署的方法及装置 | |
CN114120273A (zh) | 一种模型训练的方法及装置 | |
CN114372736A (zh) | 一种路线推荐的方法、装置、存储介质及电子设备 | |
CN109325127B (zh) | 一种风险识别方法和装置 | |
CN116434787B (zh) | 一种语音情感识别的方法、装置、存储介质及电子设备 | |
CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
CN115731375B (zh) | 虚拟形象的更新方法及装置 | |
CN117873789B (zh) | 一种基于分段量化的检查点写入方法及装置 |
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 |