CN115018866A - 一种边界确定方法、装置、存储介质及电子设备 - Google Patents
一种边界确定方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115018866A CN115018866A CN202210487290.1A CN202210487290A CN115018866A CN 115018866 A CN115018866 A CN 115018866A CN 202210487290 A CN202210487290 A CN 202210487290A CN 115018866 A CN115018866 A CN 115018866A
- Authority
- CN
- China
- Prior art keywords
- image
- boundary
- aoi
- determining
- target area
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
在本说明书提供的边界确定方法中,会预先确定出需要划分AOI的目标区域;在确定目标区域内的AOI边界时,首先获取目标区域的卫星图像和用户分布图像,并根据卫星图像确定目标区域的路网图像;将得到的目标区域的卫星图像、路网图像、用户分布图像输入预先训练的第一语义分割模型中,得到目标区域内的AOI的待定边界图像,并根据待定边界图像确定AOI的边界。在采用本说明书提供的边界确定方法确定AOI的边界时,可获取多源图像,并结合预先训练的模型确定出AOI的边界;与传统的人工确定边界方法不同,本方法中的全部步骤均可由电子设备完成,在有效节省人力资源的同时,大幅提高了确定AOI边界的效率。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种边界确定方法、装置、存储介质及电子设备。
背景技术
如今,划分兴趣面(Area of interest,AOI)在许多与电子地图关联性较强的行业中被广泛使用。划分兴趣面即按照社会功能性将真实存在于物理世界中的区域在电子地图中划分出来,例如,在地图上划分出小区、学校、商场、写字楼等等。通常情况下,确定出一个区域的边界即可快速有效地划分出该区域。因此,为了能够得到真实可靠的区域划分,确定出区域边界的方法至关重要。
传统方法在对区域进行划分时,会采用人工的方式来确定区域边界,如人工采集实际道路与卫星地图数据、人工绘制边界等。
然而,在人工确定区域边界的过程存在着许多弊端,如采集到的数据质量较差、对数据的审核周期较长、人工成本较高等,这些问题导致现有的确定边界的方法效率较低,实施过程较为繁琐。
发明内容
本说明书提供一种边界确定方法、装置、存储介质及电子设备,以至少部分地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边界确定方法,包括:
根据预设的目标区域得到所述目标区域的卫星图像,根据所述卫星图像,确定所述目标区域的路网图像;根据所述目标区域内的运单信息,确定所述目标区域内的用户分布图像;
将所述卫星图像、所述路网图像、所述用户分布图像输入预先训练的第一语义分割模型中,得到所述第一语义分割模型输出的所述目标区域内的兴趣面AOI的待定边界图像,所述待定边界图像中包含待定AOI边界;
根据所述待定边界图像确定所述AOI的边界。
可选的,根据所述卫星图像,确定所述目标区域的路网图像,具体包括:
根据所述卫星图像确定目标区域内的AOI的预估边界;
根据所述预估边界,确定所述AOI的预估范围;
对所述预估范围进行扩大,将扩大后的范围确定为扩充范围;
获取所述扩充范围内的路网信息;
根据所述路网信息确定所述目标区域的路网图像。
可选的,根据所述目标区域内的运单信息,得到用户分布图像,具体包括:
针对所述目标区域内的每个运单信息,将该运单信息映射为图像坐标;
根据所述目标区域中所述图像坐标的分布,确定所述目标区域内的用户分布图像。
可选的,根据所述待定边界图像确定所述AOI的边界,具体包括:
将所述待定边界图像输入预先训练的第二语义分割模型中,以通过所述第二语义分割模型对所述待定边界图像中的待定AOI边界进行修正,得到包含修正AOI边界的修正边界图像;
根据所述修正边界图像确定所述AOI的边界。
可选的,根据所述修正边界图像确定所述AOI的边界,具体包括:
对所述修正边界图像中的修正AOI边界进行膨胀,得到膨胀AOI边界;
对所述膨胀AOI边界进行提取,得到像素宽度为指定宽度的AOI边界;
针对所述像素宽度为指定宽度的AOI边界上的每个像素点,将该像素点的图像坐标映射为世界坐标;
根据所述世界坐标确定所述目标区域内的AOI边界。
可选的,预先训练第一语义分割模型,具体包括:
根据预设的样本区域得到所述样本区域的卫星图像,根据所述卫星图像,确定所述样本区域的路网图像;根据所述样本区域内的运单信息,确定所述样本区域内的用户分布图像;
将所述卫星图像、所述路网图像、所述用户分布图像输入预先训练的第一语义分割模型中,得到所述第一语义分割模型输出的所述样本区域内的AOI的待优化待定边界图像;
以所述待优化待定边界图像与所述样本区域内的AOI的真实边界图像之间的差异最小为优化目标,对所述第一语义分割模型进行训练。
可选的,预先训练第二语义分割模型,具体包括:
获取样本区域内的AOI的真实边界图像;
对所述真实边界图像进行加扰,得到包含加扰AOI边界的加扰边界图像;
将所述加扰边界图像输入第二语义分割模型中,以通过所述第二语义分割模型对所述加扰边界图像中的加扰AOI边界进行修正,得到待优化修正边界图像;
以所述待优化修正边界图像与所述样本区域内的AOI的真实边界图像之间的差异最小为优化目标,对所述第二语义分割模型进行训练。
本说明书提供的一种边界确定装置,所述装置包括:
图像获取模块,根据预设的目标区域得到所述目标区域的卫星图像,根据所述卫星图像,确定所述目标区域的路网图像;根据所述目标区域内的运单信息,确定所述目标区域内的用户分布图像;
待定图像确定模块,将所述卫星图像、所述路网图像、所述用户分布图像输入预先训练的第一语义分割模型中,得到所述第一语义分割模型输出的所述目标区域内的兴趣面AOI的待定边界图像,所述待定边界图像中包含待定AOI边界;
边界确定模块,根据所述待定边界图像确定所述AOI的边界。
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边界确定方法。
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边界确定方法。
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:
在本说明书提供的边界确定方法中,会预先确定出需要划分AOI的目标区域;在确定目标区域内的AOI边界时,首先获取目标区域的卫星图像和用户分布图像,并根据卫星图像确定目标区域的路网图像;将得到的目标区域的卫星图像、路网图像、用户分布图像输入预先训练的第一语义分割模型中,得到目标区域内的AOI的待定边界图像,并根据待定边界图像确定AOI的边界。在采用本说明书提供的边界确定方法确定AOI的边界时,可获取多源图像,并结合预先训练的模型确定出AOI的边界;与传统的人工确定边界方法不同,本方法中的全部步骤均可由电子设备完成,在有效节省人力资源的同时,大幅提高了确定AOI边界的效率。
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为本说明书中一种边界确定方法的流程示意图;
图2为本说明书中通过第一语义分割模型确定得到的待定AOI边界的示意图;
图3为本说明书中通过第二语义分割模型确定得到的修正AOI边界的示意图;
图4为本说明书中对修正AOI边界进行膨胀得到的膨胀AOI边界的示意图;
图5为本说明书中对膨胀AOI边界进行提取得到的指定宽度的AOI边界的示意图;
图6为本说明书提供的一种边界确定装置的示意图;
图7为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
目前,工业界中在划分AOI时主要采用的确定边界的方法就是人工确定边界,主要流程包括人工采集数据、人工审核、人工绘图等。其中,人工采集包括从图像上获取数据以及在实际道路上勘测等环节,而实际上,为了更方便的整合、利用采集到的数据,在人工采集数据时,往往会存在一套预设的标准采集规则,并希望所有采集人员以此为依据进行采集。
然而,由于个体差异的问题,采集人员所采集到的数据可能会存在一些偏差,当偏差过大时,采集到的数据就会变为无效数据,这直接导致了人工采集数据的整体质量不高,效率较差。同时,每组数据之间的差异也简介导致了人工审核的难度增加,审核速度降低。另外,由于划分AOI往往需要大量的人员参与,通常人工成本会较高。
为了解决上述问题,本说明书提供了一种可由电子设备实现,能够代替人工采集的边界确定方法。
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,都属于本申请保护的范围。
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为本说明书中一种边界确定方法的流程示意图,具体包括以下步骤:
S100:根据预设的目标区域得到所述目标区域的卫星图像,根据所述卫星图像,确定所述目标区域的路网图像;根据所述目标区域内的运单信息,确定所述目标区域内的用户分布图像。
本说明书所提供的图像分割方法可以由任何具有计算功能的电子设备来完成,所述具有计算功能的电子设备包括但不限于终端、服务器等设备。
在实际应用中,通常会预先确定出一个目标区域,并对该目标区域内的AOI进行划分,即确定该目标区域内的AOI的边界。因此,在执行本方法前,首先需要预设出需要确定AOI的边界的目标区域。预设出的目标区域的位置、大小等参数可根据需求任意设定,本说明书在此不做限制。
在确定目标区域内的AOI的边界时,首先可获取目标区域的多源图像,目标区域的多源图像可包括目标区域的卫星图像、目标区域的路网图像、目标区域内的用户分布图像等,其中,路网图像可根据卫星图像获得。具体的,可针对卫星图像中的每个路网,根据该路网的路网等级,将该路网在路网图像中映射为与该路网等级相对应的宽度和像素值。
另外,为了避免在获取图像的过程中丢失信息,在获取目标区域的卫星图像时,可将目标区域的范围扩大,并获取扩大后的范围中的卫星图像,以此来确保卫星图像的范围能够完全覆盖目标区域的范围,不会丢失任何信息。
S102:将所述卫星图像、所述路网图像、所述用户分布图像输入预先训练的第一语义分割模型中,得到所述第一语义分割模型输出的所述目标区域内的AOI的待定边界图像,所述待定边界图像中包含待定AOI边界。
将步骤S100中得到的目标区域的卫星图像、路网图像以及目标区域内的用户分布图像输入到预先训练好的第一语义分割模型中,得到由第一语义分割模型输出的包含目标区域内的AOI的待定边界的待定边界图像。其中,在输入各图像时,既可将每个图像单独输入进第一语义分割模型中,也可将各图像的图层叠加在一起,形成多通道图像后输入进第一语义分割模型。
在此步骤中采用的第一语义分割模型可以是任何能够输出包含目标区域内的待定AOI边界的图像的模型。本说明书在此给出一种示例:第一语义分割模型可以是U-net模型。将目标区域的卫星图像、路网图像,以及目标区域内的用户分布图像输入进U-net模型后,该模型可根据卫星图像的像素差异、路网形状、用户分布情况得到输出的待定边界图像中每个像素点属于待定AOI边界的概率,可将概率大于指定阈值的像素点确定为待定AOI边界上的像素点,并将该像素点的像素值设定为1,反之,不在待定AOI边界上的像素点的像素值设定为0,得到关于待定AOI边界的二值图,即待定边界图像。
除上述U-net模型外,还可采用其它模型作为第一语义分割模型得到待定边界图像,本说明书在此不再进行赘述。
S104:根据所述待定边界图像确定所述AOI的边界。
根据步骤S104中得到的包含待定AOI边界的待定边界图像,确定出目标区域内的AOI的边界。
在采用本说明书提供的边界确定方法确定AOI边界时,可由电子设备采集目标区域的多源图像,即卫星图像、路网图像以及用户分布图像,并根据采集到的多源图像,通过预先训练的第一语义分割模型得到包含待定AOI边界的待定边界图像,并根据待定边界图像确定AOI的边界。可以看出,在实施本说明书提供的边界确定方法时,完全不需要任何人工操作,所有步骤均可由电子设备自行完成,在避免了采集数据质量较差、审核数据周期长、人工成本高等缺点的同时,大幅提高了确定AOI边界的效率。
除此之外,传统方法在确定AOI的边界时,时常会出现由于路网质量不佳而导致无法根据采集到的数据确定出AOI边界的情况。而本说明书中根据多源图像确定AOI边界的方法完全可以应对这种情况,根据多个不同的图像来确定AOI边界,当其中一个图像出现质量问题时,还可根据其它图像继续确定AOI边界,有效解决了由于路网质量不佳而导致难以确定AOI边界的问题。
在步骤S100中,阐述了一种得到目标区域的卫星图像的详细方法,同样的,也可采用类似的方法根据卫星图像得到目标区域的路网图像。具体的,可根据所述卫星图像确定目标区域内的AOI的预估边界;根据所述预估边界,确定所述AOI的预估范围;对所述预估范围进行扩大,将扩大后的范围确定为扩充范围;获取所述扩充范围内的路网信息;根据所述路网信息确定所述目标区域的路网图像。
其中,目标区域内的AOI的预估边界是根据卫星图像直接绘制出的需要确定边界的AOI的大致边界;在对预估范围进行扩大时,可根据实际需求确定扩大后的范围,即扩充范围的大小。路网信息可根据已记载的路网数据获得,例如,可根据扩充范围在电子地图上找到与该扩充范围对应的地图范围,并根据地图上对路网的标注得到扩充范围内的路网信息。
同时,在步骤S100中,根据目标区域内的运单信息,得到用户分布图像的方法也有多种,具体的,可针对所述目标区域内的每个运单信息,将该运单信息映射为图像坐标;根据所述目标区域中所述图像坐标的分布,确定所述目标区域内的用户分布图像。
其中,运单信息可通过多种方法获得,例如即时配送服务或网约车服务的运单信息等。在将运单信息映射为图像坐标时,可直接将用户定位的世界坐标转化为图像坐标,并在图像中的对应坐标处添加像素值来表示用户分布情况;也可将用户定位通过geohash转化为一个字符串,该字符串表示图像中的一个特定的定位区域,不同的字符串表示的定位区域不同,相邻的用户定位可能转化为相同的字符串,当目标区域内所有运单信息都转化为字符串后,可根据每个定位区域内落入的运单信息的数量,确定该定位区域的像素值,以表示用户分布情况。换句话说,可将用户分布图像看作是热度图像,在目标区域内,落在一个位置的用户数量越多,该位置的热度就越高,像素值就越大,根据目标区域内的热度分布即可得到用户分布图像。
在实际应用中,任何模型都很难做到百分百输出完全准确无误的结果,在步骤S102中,第一语义分割模型所输出的待定边界图像中的待定AOI边界有可能会存在由于输入的图像中存在障碍物遮挡而产生的毛刺,或部分像素点缺失导致边界断开的情况,如图2所示,因此,在根据待定边界图像得到AOI的边界前,可先对待定边界图像中的待定AOI边界进行修正。具体的,可将所述待定边界图像输入预先训练的第二语义分割模型中,以通过所述第二语义分割模型对所述待定边界图像中的待定AOI边界进行修正,得到包含如图3所示的修正AOI边界的修正边界图像;根据所述修正边界图像确定所述AOI的边界。此时得到的修正边界图像为关于修正AOI边界的二值图,即在修正AOI边界上的像素点的像素值为1,其它像素点的像素值为0。
同样的,上述方法中采用的第二语义分割模型也可以是任何能够对AOI待定边界进行修正的模型,例如U-net模型等,本说明书在此不再进行赘述。
当采用第二语义分割模型对待定AOI边界进行修正,得到包含修正AOI边界的修正边界图像后,即可根据修正边界图像确定AOI的边界。然而,第二语义分割模型同样无法保证能够完美地将待定AOI边界修正为没有任何信息丢失的修正AOI边界,也就是说,修正AOI边界中仍有可能存在部分像素点缺失,虽然此时缺失的仅仅是个别像素点,不会造成边界断开的情况,但仍有可能对最终得到的AOI的边界造成影响,因此,可对修正AOI边界做出更进一步的优化,从而保证能够得到完美的AOI边界。
具体的,可对所述修正边界图像中的修正AOI边界进行膨胀,得到如图4所示的膨胀AOI边界;对所述膨胀AOI边界进行提取,得到像素宽度为指定宽度的AOI边界;针对所述像素宽度为指定宽度的AOI边界上的每个像素点,将该像素点的图像坐标映射为世界坐标;根据所述世界坐标确定所述目标区域内的AOI边界。
通过对修正AOI边界进行膨胀,可使修正AOI边界附近的点全部得到填充,可保证得到的膨胀AOI边界是一个不存在任何空缺的连通域。随后,便可提取膨胀AOI边界的框架,即提取出像素宽度为指定宽度的AOI边界,如图5所示。其中,指定宽度可根据需求进行设定,通常可设定为1。此时,指定宽度的AOI边界上的每个像素点的图像坐标便有了唯一对应的世界坐标,在将每个像素点的图像坐标映射为世界坐标后,即可根据得到的世界坐标确定出目标区域内的AOI的边界。其中,世界坐标可以是实际的经纬度。
额外的,本说明书中采用的第一语义分割模型为预先完成训练的模型,其训练方法具体可为,根据预设的样本区域得到所述样本区域的卫星图像,根据所述卫星图像,确定所述样本区域的路网图像;根据所述样本区域内的运单信息,确定所述样本区域内的用户分布图像;将所述卫星图像、所述路网图像、所述用户分布图像输入预先训练的第一语义分割模型中,得到所述第一语义分割模型输出的所述样本区域内的AOI的待优化待定边界图像;以所述待优化待定边界图像与所述样本区域内的AOI的真实边界图像之间的差异最小为优化目标,对所述第一语义分割模型进行训练。
同样的,本说明书中还存在预先完成训练的第二语义分割模型,该模型的训练方法具体可为,获取样本区域内的AOI的真实边界图像;对所述真实边界图像进行加扰,得到包含加扰AOI边界的加扰边界图像;将所述加扰边界图像输入第二语义分割模型中,以通过所述第二语义分割模型对所述加扰边界图像中的加扰AOI边界进行修正,得到待优化修正边界图像;以所述待优化修正边界图像与所述样本区域内的AOI的真实边界图像之间的差异最小为优化目标,对所述第二语义分割模型进行训练。其中,对真实边界图像进行加扰可以通过随机掩码、像素值变更等方式来实现。
需要说明的是,在上述预先训练第一语义分割模型和第二语义分割模型的方法中,所用到的样本区域为在历史中已经确定好AOI边界的区域,因此,样本区域所对应的已经确定好的AOI边界即可作为真实AOI边界,而包含该真实AOI边界的图像,即真实边界图像即可作为训练的标注。
以上是本说明书提供的边界确定方法,基于同样的思路,本说明书还提供了相应的边界确定装置,如图6所示。
图6为本说明书提供的一种边界确定装置示意图,具体包括:
图像获取模块200,根据预设的目标区域得到所述目标区域的卫星图像,根据所述卫星图像,确定所述目标区域的路网图像;根据所述目标区域内的运单信息,确定所述目标区域内的用户分布图像;
待定图像确定模块202,将所述卫星图像、所述路网图像、所述用户分布图像输入预先训练的第一语义分割模型中,得到所述第一语义分割模型输出的所述目标区域内的兴趣面AOI的待定边界图像,所述待定边界图像中包含待定AOI边界;
边界确定模块204,根据所述待定边界图像确定所述AOI的边界。
在一可选的实施例:
所述图像获取模块200,具体用于根据所述卫星图像确定目标区域内的AOI的预估边界;根据所述预估边界,确定所述AOI的预估范围;对所述预估范围进行扩大,将扩大后的范围确定为扩充范围;获取所述扩充范围内的路网信息;根据所述路网信息确定所述目标区域的路网图像。
在一可选的实施例:
所述图像获取模块200,具体用于针对所述目标区域内的每个运单信息,将该运单信息映射为图像坐标;根据所述目标区域中所述图像坐标的分布,确定所述目标区域内的用户分布图像。
在一可选的实施例:
所述边界确定模块204,具体用于将所述待定边界图像输入预先训练的第二语义分割模型中,以通过所述第二语义分割模型对所述待定边界图像中的待定AOI边界进行修正,得到包含修正AOI边界的修正边界图像;根据所述修正边界图像确定所述AOI的边界。
在一可选的实施例:
所述边界确定模块204,具体用于对所述修正边界图像中的修正AOI边界进行膨胀,得到膨胀AOI边界;对所述膨胀AOI边界进行提取,得到像素宽度为指定宽度的AOI边界;针对所述像素宽度为指定宽度的AOI边界上的每个像素点,将该像素点的图像坐标映射为世界坐标;根据所述世界坐标确定所述目标区域内的AOI边界。
在一可选的实施例:
所述装置还包括,第一训练模块206,具体用于根据预设的样本区域得到所述样本区域的卫星图像,根据所述卫星图像,确定所述样本区域的路网图像;根据所述样本区域内的运单信息,确定所述样本区域内的用户分布图像;将所述卫星图像、所述路网图像、所述用户分布图像输入预先训练的第一语义分割模型中,得到所述第一语义分割模型输出的所述样本区域内的AOI的待优化待定边界图像;以所述待优化待定边界图像与所述样本区域内的AOI的真实边界图像之间的差异最小为优化目标,对所述第一语义分割模型进行训练。
在一可选的实施例:
所述装置还包括,第二训练模块208,具体用于,获取样本区域内的AOI的真实边界图像;对所述真实边界图像进行加扰,得到包含加扰AOI边界的加扰边界图像;将所述加扰边界图像输入第二语义分割模型中,以通过所述第二语义分割模型对所述加扰边界图像中的加扰AOI边界进行修正,得到待优化修正边界图像;以所述待优化修正边界图像与所述样本区域内的AOI的真实边界图像之间的差异最小为优化目标,对所述第二语义分割模型进行训练。
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提供的边界确定方法。
本说明书还提供了图7所示的电子设备的示意结构图。如图7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所述的边界确定方法。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。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
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,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种边界确定方法,其特征在于,包括:
根据预设的目标区域得到所述目标区域的卫星图像,根据所述卫星图像,确定所述目标区域的路网图像;根据所述目标区域内的运单信息,确定所述目标区域内的用户分布图像;
将所述卫星图像、所述路网图像、所述用户分布图像输入预先训练的第一语义分割模型中,得到所述第一语义分割模型输出的所述目标区域内的兴趣面AOI的待定边界图像,所述待定边界图像中包含待定AOI边界;
根据所述待定边界图像确定所述AOI的边界。
2.如权利要求1所述的方法,其特征在于,根据所述卫星图像,确定所述目标区域的路网图像,具体包括:
根据所述卫星图像确定目标区域内的AOI的预估边界;
根据所述预估边界,确定所述AOI的预估范围;
对所述预估范围进行扩大,将扩大后的范围确定为扩充范围;
获取所述扩充范围内的路网信息;
根据所述路网信息确定所述目标区域的路网图像。
3.如权利要求1所述的方法,其特征在于,根据所述目标区域内的运单信息,得到用户分布图像,具体包括:
针对所述目标区域内的每个运单信息,将该运单信息映射为图像坐标;
根据所述目标区域中所述图像坐标的分布,确定所述目标区域内的用户分布图像。
4.如权利要求1所述的方法,其特征在于,根据所述待定边界图像确定所述AOI的边界,具体包括:
将所述待定边界图像输入预先训练的第二语义分割模型中,以通过所述第二语义分割模型对所述待定边界图像中的待定AOI边界进行修正,得到包含修正AOI边界的修正边界图像;
根据所述修正边界图像确定所述AOI的边界。
5.如权利要求4所述的方法,其特征在于,根据所述修正边界图像确定所述AOI的边界,具体包括:
对所述修正边界图像中的修正AOI边界进行膨胀,得到膨胀AOI边界;
对所述膨胀AOI边界进行提取,得到像素宽度为指定宽度的AOI边界;
针对所述像素宽度为指定宽度的AOI边界上的每个像素点,将该像素点的图像坐标映射为世界坐标;
根据所述世界坐标确定所述目标区域内的AOI边界。
6.如权利要求1所述的方法,其特征在于,预先训练第一语义分割模型,具体包括:
根据预设的样本区域得到所述样本区域的卫星图像,根据所述卫星图像,确定所述样本区域的路网图像;根据所述样本区域内的运单信息,确定所述样本区域内的用户分布图像;
将所述卫星图像、所述路网图像、所述用户分布图像输入预先训练的第一语义分割模型中,得到所述第一语义分割模型输出的所述样本区域内的AOI的待优化待定边界图像;
以所述待优化待定边界图像与所述样本区域内的AOI的真实边界图像之间的差异最小为优化目标,对所述第一语义分割模型进行训练。
7.如权利要求4所述的方法,其特征在于,预先训练第二语义分割模型,具体包括:
获取样本区域内的AOI的真实边界图像;
对所述真实边界图像进行加扰,得到包含加扰AOI边界的加扰边界图像;
将所述加扰边界图像输入第二语义分割模型中,以通过所述第二语义分割模型对所述加扰边界图像中的加扰AOI边界进行修正,得到待优化修正边界图像;
以所述待优化修正边界图像与所述样本区域内的AOI的真实边界图像之间的差异最小为优化目标,对所述第二语义分割模型进行训练。
8.一种边界确定装置,其特征在于,包括:
图像获取模块,根据预设的目标区域得到所述目标区域的卫星图像,根据所述卫星图像,确定所述目标区域的路网图像;根据所述目标区域内的运单信息,确定所述目标区域内的用户分布图像;
待定图像确定模块,将所述卫星图像、所述路网图像、所述用户分布图像输入预先训练的第一语义分割模型中,得到所述第一语义分割模型输出的所述目标区域内的兴趣面AOI的待定边界图像,所述待定边界图像中包含待定AOI边界;
边界确定模块,根据所述待定边界图像确定所述AOI的边界。
9.一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。
10.一种电子设备,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 |
---|---|---|---|
CN202210487290.1A CN115018866A (zh) | 2022-05-06 | 2022-05-06 | 一种边界确定方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210487290.1A CN115018866A (zh) | 2022-05-06 | 2022-05-06 | 一种边界确定方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115018866A true CN115018866A (zh) | 2022-09-06 |
Family
ID=83069582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210487290.1A Pending CN115018866A (zh) | 2022-05-06 | 2022-05-06 | 一种边界确定方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018866A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641430A (zh) * | 2022-10-12 | 2023-01-24 | 阿里巴巴(中国)有限公司 | 一种兴趣面确定方法、装置、介质及计算机设备 |
-
2022
- 2022-05-06 CN CN202210487290.1A patent/CN115018866A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641430A (zh) * | 2022-10-12 | 2023-01-24 | 阿里巴巴(中国)有限公司 | 一种兴趣面确定方法、装置、介质及计算机设备 |
CN115641430B (zh) * | 2022-10-12 | 2024-01-30 | 阿里巴巴(中国)有限公司 | 一种兴趣面确定方法、装置、介质及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639682A (zh) | 基于点云数据的地面分割方法及装置 | |
CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN109978044B (zh) | 训练数据生成方法和装置、以及模型的训练方法和装置 | |
CN110991520A (zh) | 一种生成训练样本的方法以及装置 | |
CN114332873A (zh) | 一种识别模型的训练方法及装置 | |
CN113887608A (zh) | 一种模型训练的方法、图像检测的方法及装置 | |
CN114943307A (zh) | 一种模型训练的方法、装置、存储介质以及电子设备 | |
CN114626437A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN115018866A (zh) | 一种边界确定方法、装置、存储介质及电子设备 | |
CN113888415B (zh) | 一种模型训练以及图像修复方法及装置 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN111797722A (zh) | 车道线绘制的方法及装置 | |
CN115984154A (zh) | 一种图像融合的方法、装置、存储介质及电子设备 | |
CN113344198B (zh) | 一种模型训练的方法及装置 | |
CN110704742B (zh) | 一种特征提取方法及装置 | |
CN115689676A (zh) | 一种行业识别的方法、装置、存储介质及电子设备 | |
CN114359935A (zh) | 一种模型训练以及表格识别方法及装置 | |
CN115130621A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN113706552A (zh) | 一种激光反射率底图语义分割标注数据的生成方法及装置 | |
CN111539962A (zh) | 一种目标图像分类方法、装置以及介质 | |
CN111539961A (zh) | 一种目标分割方法、装置以及设备 | |
CN111899264A (zh) | 一种目标图像分割方法、设备及介质 | |
CN116028820B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN115641430B (zh) | 一种兴趣面确定方法、装置、介质及计算机设备 | |
CN111753661B (zh) | 一种基于神经网路的目标识别方法、设备及介质 |
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 |