[發明專利]一種編碼模型訓練的方法、編碼的方法、裝置和存儲介質

在審

• 申請號: 202110293408.2
• 申請日: 2021-03-18
• 公開（公告）號: CN113011584A
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 吳龍祥;賴澤云;鄒磊;賀正雄;丁先華;倪曉東;范鈾;劉茜;樊瑾;吳良華
• 申請（專利權）人: 廣東南方數碼科技股份有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 余菲

本申請實施例提供一種編碼模型訓練的方法、編碼的方法、裝置和存儲介質，該方法包括：獲取訓練數據，其中，所述訓練數據包括已標注編碼信息的地理實體矢量數據；對所述訓練數據進行預處理，獲得預處理結果，其中，所述預處理結果包括對應的特征屬性值、特征屬性的數目和實體類別總數目；根據所述預處理結果生成待訓練神經網絡模型，其中，所述訓練神經網絡模型輸入層的輸入特征的數目等于所述特征屬性的數目，所述待訓練神經網絡的輸出層用于輸出與所述實體類別總數目相同數量的識別結果；訓練所述待訓練神經網絡模型，獲得實體類別編碼模型，能夠實現靈活配置神經網絡模型進行實體編碼。

技術領域

本申請實施例涉及地理信息系統領域，具體涉及一種編碼模型訓練的方法、編碼的方法、裝置和存儲介質。

背景技術

相關技術中，針對地理矢量數據進行編碼賦值的方案主要依賴于人工辨別的方式，在根據遙感圖像或者三維地理數據進行地理要素的繪制后，再對繪制的實體賦予其編碼屬性。在深度學習相關技術的技術中，一個固定模型的深度學習網絡的輸入的數據需要統一特征屬性的數量，也就是說，相關技術采用統一構建的單一的神經網絡進行識別和編碼。可以理解的是，當需要編碼的實體實際需要的特征屬性較少時，采用嚴格限定輸入特征屬性數量的神經網絡模型會存在大量的無用參數，而當需要編碼的實體實際需要的特征屬性較多時，由于嚴格限定輸入特征屬性數量的神經網絡的輸入特征數少于輸入的特征屬性則數據無法輸入，因此采用相關技術的深度學習網絡模型的構建和訓練方法將導致對輸入的數據限定要求較高，同時不能夠靈活配置實際需要的神經網絡模型。

因此，如何靈活配置神經網絡模型進行多種實體編碼成為亟待解決的問題。

發明內容

本申請實施例提供一種編碼模型訓練的方法、編碼的方法、裝置和存儲介質，通過本申請的一些實施例至少能夠實現靈活配置神經網絡模型對實體數據進行識別，從而根據識別結果進行編碼。

第一方面，一種編碼模型訓練的方法，所述方法包括：獲取訓練數據，其中，所述訓練數據包括已標注編碼信息的地理矢量數據；對所述訓練數據進行預處理，獲得預處理結果，其中，所述預處理結果包括對應的特征屬性值、特征屬性的數目和實體類別總數目；根據所述預處理結果生成待訓練神經網絡模型，其中，所述訓練神經網絡模型輸入層的輸入特征的數目等于所述特征屬性的數目，所述待訓練神經網絡的輸出層用于輸出與所述實體類別總數目相同數量的識別結果；訓練所述待訓練神經網絡模型，獲得實體類別編碼模型。

因此，本申請實施例通過根據訓練數據對應的特征屬性的數目和需要編碼的實體類別總數目，適應構造匹配的待訓練的神經網絡模型的輸入層和輸出層，從而獲得實體類別編碼模型，能夠實現對各種數量的特征屬性數目的輸入和類型識別標記，提升了對各種實體的自動化識別程度，有效防止遺漏，極大的節省了人工的資源，在處理大量實體數據時優勢明顯，極大的提高了數據處理的效率。

結合第一方面，在一種實施方式中，所述對所述訓練數據進行預處理，獲得預處理結果，包括：提取所述訓練數據中的至少一個特征屬性，其中，所述至少一個特征屬性是組成所述實體的基本元素；計算與所述至少一個特征屬性分別對應的至少一個特征屬性值；將所述至少一個特征屬性值作為所述預處理結果。

結合第一方面，在一種實施方式中，在所述提取所述訓練數據中的至少一個特征屬性之前，所述方法還包括：獲取用戶預先選擇的至少一個自選特征屬性，其中，所述至少一個特征屬性中包括所述至少一個自選特征屬性，所述至少一個自選特征屬性是用戶根據實際需求選擇的；所述提取所述訓練數據中的至少一個特征屬性，包括：提取所述訓練數據中的所述自選特征屬性；所述計算與所述至少一個特征屬性分別對應的至少一個特征屬性值，包括：計算與所述自選特征屬性分別對應的自選特征屬性值；所述將所述至少一個特征屬性值作為所述預處理結果，包括：將所述自選特征屬性值作為所述預處理結果。