[發明專利]地圖興趣點數據處理方法、裝置、電子設備以及可讀介質

在審

• 申請號: 202010701741.8
• 申請日: 2020-07-20
• 公開（公告）號: CN111832579A
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 王洪志;余威;吳云鵬
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04;G06N3/08;G06F16/2458;G06F16/29
• 代理公司: 北京市漢坤律師事務所 11602
• 代理人: 姜浩然;吳麗麗

1.一種地圖興趣點數據處理方法，包括：

獲取目標招牌圖像；

利用卷積神經網絡對所述目標招牌圖像進行特征提取，以得到所述目標招牌圖像的第一特征向量；

分別確定所述第一特征向量與興趣點數據庫中的多個第二特征向量之間的相似度；以及

響應于確定所述第一特征向量與所述多個第二特征向量中的某一第二特征向量之間的相似度大于相似度閾值，將所述目標招牌圖像與該第二特征向量對應的興趣點相關聯。

2.根據權利要求1所述的方法，還包括：

獲取所述目標招牌圖像的拍攝位置的地理坐標，

其中，所述多個第二特征向量是利用所述卷積神經網絡對所述地理坐標的預定距離范圍內的多個興趣點的多個招牌圖像進行特征提取而得到的。

3.根據權利要求1所述的方法，其中，所述卷積神經網絡通過執行針對多任務學習的多次訓練過程而被訓練得到，以使得從同一興趣點的來自不同數據源的招牌圖像提取出的特征向量之間的相似度大于第一相似度閾值，并且從不同興趣點的招牌圖像提取出的特征向量之間的相似度小于第二相似度閾值。

4.根據權利要求3所述的方法，

其中，所述多任務學習包括文本檢測學習和相似度度量學習，

其中，每次訓練過程包括：

獲取訓練樣本，所述訓練樣本包含至少三個樣本招牌圖像，所述至少三個樣本招牌圖像來自至少兩個不同的數據源，并且所述至少三個樣本招牌圖像中的至少兩個圖像對應于同一個興趣點；

將所述訓練樣本輸入所述卷積神經網絡，以得到所述至少三個樣本招牌圖像的相應特征向量；以及

將所述相應特征向量輸入文本檢測子網絡和相似度度量子網絡，以基于所述相應特征向量進行所述多任務學習，

其中，所述文本檢測子網絡用于基于所述相應特征向量，檢測所述至少三個樣本招牌圖像中的文本區域，并且所述相似度度量子網絡用于基于所述相應特征向量，度量所述至少三個樣本招牌圖像之間的相似度。

5.根據權利要求4所述的方法，

其中，所述多任務學習包括文本檢測學習、相似度度量學習和源間分類學習，

其中，每次訓練過程包括：

獲取訓練樣本，所述訓練樣本包含至少三個樣本招牌圖像，所述至少三個樣本招牌圖像來自至少兩個不同的數據源，并且所述至少三個樣本招牌圖像中的至少兩個圖像對應于同一個興趣點；

將所述訓練樣本輸入所述卷積神經網絡，以得到所述至少三個樣本招牌圖像的相應特征向量；以及

將所述相應特征向量輸入文本檢測子網絡、相似度度量子網絡和源間分類子網絡，以基于所述相應特征向量進行所述多任務學習，

其中，所述文本檢測子網絡用于基于所述相應特征向量，檢測所述至少三個樣本招牌圖像中的文本區域，所述相似度度量子網絡用于基于所述相應特征向量，度量所述至少三個樣本招牌圖像之間的相似度，并且所述源間分類子網絡用于基于所述相應特征向量，識別所述至少三個樣本招牌圖像所來自的數據源。

6.根據權利要求4或5所述的方法，其中，所述卷積神經網絡包括至少一個卷積層，所述相應特征向量由所述至少一個卷積層中最后一個卷積層輸出。

7.根據權利要求4或5所述的方法，其中，所述卷積神經網絡包括至少一個卷積層和全連接層，所述相應特征向量由所述全連接層輸出。

8.根據權利要求1所述的方法，在分別確定所述第一特征向量與所述興趣點數據庫中的多個第二特征向量之間的相似度前，還包括：

利用所述卷積神經網絡對所述興趣點數據庫中的多個興趣點的多個歷史招牌圖像進行特征提取，以得到所述多個歷史招牌圖像的相應第二特征向量；以及

將所述多個興趣點、所述多個歷史招牌圖像和所述相應第二特征向量相關聯地存儲在所述興趣點數據庫中，

其中，所述相應第二特征向量包括所述興趣點數據庫中的所述多個第二特征向量。

9.根據權利要求1所述的方法，其中，所述相似度包括歐氏距離或余弦距離。