CN113902858A - 电子地图绘制的辅助作业方法、装置及电子设备 - Google Patents

电子地图绘制的辅助作业方法、装置及电子设备 Download PDF

Info

Publication number
CN113902858A
CN113902858A CN202111017951.6A CN202111017951A CN113902858A CN 113902858 A CN113902858 A CN 113902858A CN 202111017951 A CN202111017951 A CN 202111017951A CN 113902858 A CN113902858 A CN 113902858A
Authority
CN
China
Prior art keywords
training
training data
map
sample
operated
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
Application number
CN202111017951.6A
Other languages
English (en)
Inventor
刘为
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 CN202111017951.6A priority Critical patent/CN113902858A/zh
Publication of CN113902858A publication Critical patent/CN113902858A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Graphics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种电子地图绘制的辅助作业方法、装置及电子设备，涉及大数据处理领域，尤其涉及电子地图领域。具体实现方案为：采集多条样本数据，样本数据包括地图元素和绘图区域；根据样本数据构建训练数据，训练数据包括地图元素和根据样本数据确定的样本图像的特征向量；根据地图元素对多条训练数据进行分组，得到多个训练数据组，获取每个训练数据组对应的至少一个训练模型，确定每个训练模型对应的绘图样例；获取待作业任务，确定与待作业任务的待作业地图元素匹配的训练模型，输出匹配的训练模型对应的绘图样例，以辅助执行待作业任务。本公开的电子地图绘制的辅助作业方法，能够提高电子地图底图制作的准确性，缩短电子地图迭代的周期。

Description

电子地图绘制的辅助作业方法、装置及电子设备
技术领域
本公开涉及大数据技术领域，尤其涉及电子地图领域的一种电子地图绘制的作业方法、装置、电子设备及计算机存储介质。
背景技术
在当今的数字信息时代，通过信息技术手段，电子地图已经逐步成为人们使用最多、最频繁的工具，因此地图数据的质量就显得尤为重要，提高制图效率、降低制图成本也成为最重要的目标之一。
发明内容
本公开提供了一种电子地图绘制的辅助作业方法、装置、电子设备及计算机存储介质。
根据本公开的一方面，提供了一种电子地图绘制的辅助作业方法，包括：
采集多条样本数据，所述样本数据包括地图元素和绘图区域；
根据所述样本数据构建对应的训练数据，所述训练数据包括所述地图元素和根据所述样本数据确定的样本图像的特征向量；
根据所述地图元素对多条训练数据进行分组，得到多个训练数据组，获取每个训练数据组对应的至少一个训练模型，确定每个训练模型对应的绘图样例；
获取待作业任务，确定与所述待作业任务的待作业地图元素匹配的训练模型，输出所述匹配的训练模型对应的绘图样例，以辅助执行所述待作业任务。
根据本公开的另一方面，提供了一种电子地图绘制的辅助作业装置，包括：
采集模块，用于采集多条样本数据，所述样本数据包括地图元素和绘图区域；
构建模块，用于根据所述样本数据构建对应的训练数据，所述训练数据包括所述地图元素和根据所述样本数据确定的样本图像的特征向量；
训练模块，用于根据所述地图元素对多条训练数据进行分组，得到多个训练数据组，获取每个训练数据组对应的至少一个训练模型，确定每个训练模型对应的绘图样例；
辅助模块，用于获取待作业任务，确定与所述待作业任务的待作业地图元素匹配的训练模型，输出所述匹配的训练模型对应的绘图样例，以辅助执行所述待作业任务。
根据本公开的又一方面，提供了一种电子设备，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所述的电子地图绘制的辅助作业方法。
根据本公开的又一方面，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，其中所述计算机指令用于使所述计算机执行所述的电子地图绘制的辅助作业方法。
根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现所述的电子地图绘制的辅助作业方法。
本公开的电子地图绘制的辅助作业方法，能够提高电子地图底图制作的准确性，从而缩短电子地图迭代的周期。
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是根据本公开一实施例电子地图绘制的辅助作业方法的示意图；
图2是根据本公开一实施例的地图元素与训练模型关系树的示意图；
图3是根据本公开一实施例的电子地图绘制的辅助作业装置的示意图；
图4是用来实现本公开实施例的电子地图绘制的辅助作业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。
目前的电子地图的制作过程，一般都会经历作业人员作业、质检、验收这几个作业环节。在这整个的作业链条中，作业环节至关重要，此环节的作业质量一定程度上决定了后续作业环节的效率。如果作业环节的质检结果不满足要求，那么会进行“返工”或者“返修”操作，由于作业人员的变动、新员工的加入或者老员工岗位的变更，对新工作场景的不熟悉，往往会导致作业错误量高，由此所带来的是多次质检作业和多次验收作业，无形中加大了人力的投入成本，也使得地图数据迭代的更新周期延长，使得数据更新的效率降低。
当前电子地图的制作过程一般包括：
作业员根据不同的作业任务信息，在底图上进行人工绘制；
作业员绘制结束后，再由质检人员根据作业人员的作业结果进行质量检查；如果检查合格率不满足设定值，则打回给作业员重新作业，生产中也称为“返工”或“返修”，此处的返工一般是多指重新全量作业，返修一般只针对错误进行调整，因此返工所带来的投入更大。如果检查合格率满足设定值，则继续交给验收人员进行作业成果验收。
若验收人员的验收结果不满足设定值，将继续返回给作业人员返工作业或者返修作业。
上述作业环节都是由人工完成，由于作业人员的差异性(比如经验、水平等)，有些作业人员作业时错误较多，会被反复打回返工，即经历多轮次的“作业-质检-返工”这样的环节，导致地图迭代周期慢，效率低。
为了解决上述问题，本公开一实施例提供一种电子地图绘制的辅助作业方法，如图1所示，该方法包括：
步骤S101、采集多条样本数据，所述样本数据包括地图元素和绘图区域。
在一个示例中，当需要对地图进行更新时，根据地图更新内容生成一个作业任务，作业任务包括作业区域和作业对象，作业区域是指在地图的何处作业，作业区域对应样本数据中的绘图区域。绘图区域可以用坐标数据表示，例如经度和纬度，作业人员根据经度和纬度即可确定此次作业任务的作业区域。
作业对象表示要在作业区域进行什么作业，作业对象对应样本数据中的地图元素。地图元素是组成地图内容的主体，根据不同性质，地图元素的划分也不同，例如根据自然要素对地图元素分类，地图元素包括海洋、湖泊、山脉、盆地等；根据交通元素分类，地图元素包括：限速标志、指路标志、停车标志、道路标志线(如人行横道、转弯标志线等)、监控标志等，本发明对地图元素的划分不做具体限制。
作业人员接收到作业任务后，根据作业任务进行作业，作业完成后由质检人员进行质检，样本数据为质检人员质检合格的作业，即作业人员作业正确的任务所对应的数据。例如一条作业任务为：作业人员需要在东经25°，北纬20°的区域绘制30km/h限速标志。作业人员在相应绘图区域绘制结束后，再由质检人员根据作业人员的作业结果进行质量检查，经过质检人员检查，该条任务作业正确，质检人员将该条作业任务标注为样本数据。因此该条作业任务对应的一条样本数据包括如下信息：绘图区域(东经25°，北纬20°)，地图元素为30km/h限速标志。
在一个示例中，一条样本数据中可以包括2个或2个以上的地图元素，这两个地图元素可以是同类地图元素，也可以是不同类地图元素。例如一条样本数据是在某一绘图区域绘制两个限速标志，或在某一绘图区域绘制一个限速标志和一个指路标志。
在一个示例中，当作业人员绘制完地图底图时，会有质检人员对底图的准确度进行质检，质检人员根据作业任务的内容检查底图的绘图区域以及地图元素是否准确，质检人员对质检合格的底图进行标注，即得到作业正确的样本数据。根据作业记录会标注多个作业正确的底图，从而得到多个样本数据。
步骤S102，根据样本数据建立对应的训练数据。
在一个示例中，根据所述样本数据建立训练数据，包括：
根据所述绘图区域截取底图得到样本图像；
对所述样本图像的一个或多个维度进行特征提取，得到特征向量，所述训练数据包括所述特征向量以及与该条样本数据中的地图元素。
通过对电子地图底图的截取以及对样本图像的特征提取，能够得到该绘图区域内的特征向量。
在一个示例中，根据每条样本数据的绘图区域对底图进行截取得到样本图像，可以采取限定宽度和限定高度的方式对底图进行截取。例如以样本数据对应的绘图区域的中心为中心点，限定宽度为100个像素点(pix)、限定高度也为100pix，则截取的窗口尺寸为100×100(pix)，得到的样本图像的尺寸为100×100(pix)，多条样本数据的截取尺寸相同。也可以采取不限定宽度和限定高度的方式对底图进行截取，那么对于截取的样本图像尺寸不同的情况，可采用图片压缩技术，以使所有的样本图像的尺寸大小相同。本示例还可根据样本数据的绘图区域和地图元素对截取的窗口尺寸进行调整，例如当地图元素是狭长的道路中心线，可以限定宽度为200pix，高度为100pix。
在一示例中，对所述样本图像的一个或多个维度进行特征提取，得到特征向量，包括：
对截取的所述样本图像按照像素点的一个维度或多个维度的数值进行量化编码；
再对量化编码后的样本图像进行解码，得到该样本图像的特征向量。
通常一幅图像各个像素点之间存在一定的相关性，存在冗余的图像信息，通过对样本图像进行量化编码和解码，能够除去冗余信息，保证样本图像的质量。
对样本图像的一个或多个维度进行特征提取，例如样本图像的灰度值维度、RGB值维度、亮度维度等，本公开对此不做具体限制。在一个示例中，特征向量以灰度值一维向量为例，对样本图像的灰度值进行提取，样本图像每一个像素点的灰度值即为该特征向量的一个值，例如样本图像为100×100(pix)，则可以得到一个由10000个灰度值组成的特征向量。
对于每一个作业正确的样本数据，都可以得到一个与之对应的训练数据，该训练数据包括特征向量和地图元素。
步骤S103、根据所述地图元素对多条训练数据进行分组，得到多个训练数据组，获取每个训练数据组对应的至少一个训练模型，确定每个训练模型对应的绘图样例。
由于每条训练数据包含了地图元素和特征向量，那么可以根据训练数据中包含的地图元素对训练数据进行分组，将地图元素相同的训练数据分，为一组，可得到多个训练数据组。在一个示例中，可以对一个训练数据组进行标记，该标记可以采用地图元素的标识。由于训练数据中包含的地图元素可能是1个，也可能是多个，那么一个训练数据组对应的标记可能是一个地图元素的标识，也可能是多个地图元素标识的组合，即一个训练数据组对应一个地图元素或地图元素组合。
根据每个训练数据组，获取该训练数据组对应的至少一个训练模型，包括：
将一个训练数据组的所有训练数据输入神经网络，得到一组初始模型的权重值，根据该组权重值得到第一训练模型；
根据该训练数据组中每条训练数据的特征向量和第一训练模型，计算得到每条训练数据的特征值；
将特征值相同的训练数据划分为一个训练数据子组，得到所述训练数据组对应的多个训练数据子组；
对于每个训练数据子组，将其所有训练数据输入神经网络，得到一组初始模型的权重值，根据该组权重得到每个训练数据子组对应的第二训练模型；
将所有第二训练模型作为所述训练数据组的训练模型。
通过对训练数据进行分组训练，得到不同训练组对应的训练模型，提高模型训练的准确度。
在一个示例中，假设有10000条训练数据，其中，10000条训练数据分为四个训练数据组，分别为训练数据组a、训练数据组b、训练数据组c+d以及训练数据组a+d。将所有包含地图元素a的训练数据归类为训练数据组a，所有包含地图元素b的训练数据归类为训练数据组b，所有包含地图元素c和d的训练数据归类为训练数据组c+d，所有包含地图元素a和d的训练数据归类为训练数据组a+d。
将各训练数据组分别输入到神经网络中，通过机器学习，得到每个训练组对应的至少一个训练模型。
在一个示例中，每一条训练数据包含由n个灰度值组成的特征向量，神经网络的输入层单元数量为n+1，除了n个灰度值外，还包括1个偏移量，偏移量为常数1，初始模型为多项式形式：
Figure BDA0003240094100000071
即
hw(x)＝WTX
其中WT＝[w0,w1,...,wn]T；T表示向量的转置；
x0为偏移量，x0＝1；x1,...,xn表示一条训练数据中组成特征向量的n个灰度值；
w0,w1,...,wn表示x0,x1,...,xn分别对应的权重。
例如，一个训练数据组有10000条训练数据，将这10000条训练数据输入神经网络中，利用反向传播算法计算出一组(w0,w1,...,wn)的数值，将w0,w1,...,wn的数值代入初始模型，得到第一训练模型，将该训练数据组中每条训练数据的特征向量的灰度值x0,x1,...,xn输入该第一训练模型，即可计算出每条训练数据对应的特征值hw(x)的数值。
假设训练数据1：hw(x)＝0.995；训练数据2：hw(x)＝0.994；
训练数据3：hw(x)＝0.997；训练数据4：hw(x)＝0.996。
依此类推计算出10000条训练数据的hw(x)的数值，将一个训练数据组中hw(x)数值结果相同的训练数据作为一个训练数据子组，假设10000条训练数据计算以后，得到10个hw(x)的数值，那么该训练数据组被划分为10个训练数据子组。
对于每个训练数据子组，将其中所有的训练数据输入神经网络中，利用反向传播算法计算出一组(w0,w1,...,wn)，将该组(w0,w1,...,wn)输入初始模型，得到该训练数据子组对应的第二训练模型，如此，最终可得到该训练数据组的10个训练模型(第二训练模型)。所有训练数据输入到神经网络后，即通过机器学习，最终可得到如图2所示的地图元素与训练模型关系树。
获取了每个训练数据组的至少一个训练模型之后，确定每个训练模型的绘图样例。即从第二训练模型对应的训练数据子组中所有训练数据的样本图像中选取绘图样例，该绘图样例即为该第二训练模型对应的绘图样例。
步骤S104、获取待作业任务，确定与所述待作业任务的待作业地图元素匹配的训练模型，输出所述匹配的训练模型对应的绘图样例，以辅助执行所述待作业任务。
在一个示例中，所述待作业任务包括待绘图区域和待作业地图元素，根据待绘图区域和待作业地图元素才能与地图元素和训练模型关系树精准匹配。例如待作业任务是在东经30°，北纬30°的绘图区域绘制限速标志，则待绘图区域为东经30°，北纬30°，待作业地图元素为限速标志。
在一个示例中，根据所述待作业任务匹配训练模型，得到与所述待作业任务匹配的绘图样例，包括：
根据所述待绘图区域截取底图得到待作业图像并获取所述待作业图像的特征向量；
根据所述待作业地图元素得到与所述待作业地图元素匹配的多个训练模型；
根据所述待作业图像的特征向量从多个所述训练模型中选取符合置信区间要求的训练模型，并输出该训练模型对应的绘图样例。
当有新的待作业任务时，通过上述步骤即可以输出供作业人员参考的绘图样例，辅助作业人员作业，提高作业准确度。
在一个示例中，以待绘图区域的中心为中心点，采取限定宽度和限定高度的方式对底图进行截取得到待绘图图像，截取窗口尺寸与该条待作业地图元素对应的样本图像的截取窗口尺寸相同，或者通过图片压缩技术，使得截取的待作业图像与样本图像尺寸相同。对截取的待作业图像按照像素点一个维度或多个维度的数值进行量化编码；再对量化编码后的待绘图图像进行解码，得到该待作业图像的特征向量。待作业图像的特征向量与样本图像的特征向量提取的维度相同，若样本图像的特征向量是灰度值一维向量，则待作业图像的特征向量也为灰度值一维向量。
在一个示例中，输入待作业任务的待作业地图元素，遍历图2所示的地图元素与训练模型关系树，根据待作业地图元素确定对应的至少一个训练模型。例如输入的待作业地图元素为限速标志，则与该条待作业任务匹配的训练模型为限速标志组对应的多个训练模型；若输入的待作业地图元素是限速标志+道路线，则与该条待作业任务匹配的训练模型为限速标志+道路线组对应的多个训练模型。
再输入根据待作业任务截取的待作业图像的特征向量，将特征向量分别输入匹配的多个训练模型，得到每个训练模型对应的hw(x)值，确定多个hw(x)值中符合置信区间的hw(x)值，将该hw(x)值对应的训练模型作为待作业任务匹配的训练模型，将该训练模型对应的绘图样例输出，供作业人员参考，达到辅助绘制地图的目的。例如地图元素限速标志对应的训练模型有10个，将作业图像的特征向量的灰度值x0,x1,...,xn输入10个训练模型，即可计算出10个hw(x)的数值，假设10个hw(x)的值分别为0.990，0.991，0.992，0.993，0.994，0.995，0.996，0.997，0.998，0.999，设定置信区间是【0.994,0.996】，则可以输出与0.994,0.995,0.996分别对应的三个训练模型的绘图样例。当作业人员在对待作业任务进行作业时，即可参考上述三个绘图样例。
采用本公开的电子地图绘制的辅助作业方法，能够提高电子地图底图制作的准确性，从而缩短电子地图迭代的周期。
在一个示例中，本公开提供一种辅助作业装置，如图3所示，该装置包括：
采集模块201，用于采集多条样本数据，所述样本数据包括地图元素和绘图区域；
构建模块202，用于根据所述样本数据构建对应的训练数据，所述训练数据包括所述地图元素和根据所述样本数据确定的样本图像的特征向量；
训练模块203，用于根据所述地图元素对多条训练数据进行分组，得到多个训练数据组，获取每个训练数据组对应的至少一个训练模型，确定每个训练模型对应的绘图样例；
辅助模块204，用于获取待作业任务，确定与所述待作业任务的待作业地图元素匹配的训练模型，输出所述匹配的训练模型对应的绘图样例，以辅助执行所述待作业任务。
本公开的电子地图绘制的辅助作业装置，能够提高电子地图底图制作的准确性，从而缩短电子地图迭代的周期。
在一个示例中，构建模块202，具体用于：
根据所述绘图区域从电子地图的底图中截取样本图像；
对所述样本图像的设定维度进行特征提取，得到特征向量。
在一个示例中，训练模块203，具体用于：
将地图元素相同的训练数据划分到一个训练数据组；每个训练数据组对应的一个地图元素或地图元素组合。
在一个示例中，训练模块203，具体还用于：
将所述训练数据组的所有训练数据输入神经网络，得到一组初始模型的权重值，根据该组权重值得到第一训练模型；
根据所述训练数据组中每条训练数据的特征向量和所述第一训练模型，计算得到每条训练数据的特征值；
将特征值相同的训练数据划分为一个训练数据子组，得到所述训练数据组对应的多个训练数据子组；
对于每个训练数据子组，将其所有训练数据输入神经网络，得到一组初始模型的权重值，根据该组权重得到每个训练数据子组对应的第二训练模型；
将所有第二训练模型作为所述训练数据组的训练模型。
在一个示例中，所述待作业任务包括待绘图区域和所述待作业地图元素。
在一个示例中，辅助模块204，具体用于：
根据所述待绘图区域从电子地图的底图中截取待作业图像，并获取所述待作业图像的特征向量；
确定与所述待作业地图元素匹配的至少一个第二训练模型；
根据所述待作业图像的特征向量从匹配的所有第二训练模型中选取符合置信区间要求的至少一个第二训练模型，并输出选取的第二训练模型对应的绘图样例。
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。
在一个示例中，本公开提供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所述的电子地图绘制的辅助作业方法。
在一个示例中，本公开提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现所述的电子地图绘制的辅助作业方法
在一个示例中，本公开提供了一种电子设备，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所述的电子地图绘制的辅助作业方法。
图4示出了可以用来实施本公开的实施例的示例电子设备300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4所示，设备300包括计算单元301，其可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序，来执行各种适当的动作和处理。在RAM 303中，还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300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301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301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301执行上文所描述的各个方法和处理，例如电子地图绘制的辅助作业方法。例如，在一些实施例中，电子地图绘制的辅助作业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308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由计算单元301执行时，可以执行上文描述的电子地图绘制的辅助作业方法的一个或多个步骤。备选地，在其他实施例中，计算单元301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行电子地图绘制的辅助作业方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、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***的***(SOC)、负载可编程逻辑设备(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***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***、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***、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***、装置或设备使用或与指令执行***、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***、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***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***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(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***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***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***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***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。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。
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 (17)

1.一种电子地图绘制的辅助作业方法，包括：
采集多条样本数据，所述样本数据包括地图元素和绘图区域；
根据所述样本数据构建对应的训练数据，所述训练数据包括所述地图元素和根据所述样本数据确定的样本图像的特征向量；
根据所述地图元素对多条训练数据进行分组，得到多个训练数据组，获取每个训练数据组对应的至少一个训练模型，确定每个训练模型对应的绘图样例；
获取待作业任务，确定与所述待作业任务的待作业地图元素匹配的训练模型，输出所述匹配的训练模型对应的绘图样例，以辅助执行所述待作业任务。
2.根据权利要求1所述的方法，其中，所述根据样本数据构建对应的训练数据，包括：
根据所述绘图区域从电子地图的底图中截取样本图像；
对所述样本图像的设定维度进行特征提取，得到特征向量。
3.根据权利要求2所述的方法，其中，所述对所述样本图像的设定维度进行特征提取，得到特征向量，包括：
对所述样本图像中各像素点的设定维度的数值进行量化编码；
对量化编码后的样本图像进行解码，得到该样本图像的特征向量。
4.根据权利要求1所述的方法，其中，所述根据所述地图元素对多条训练数据进行分组，包括：
将地图元素相同的训练数据划分到一个训练数据组；每个训练数据组对应的一个地图元素或地图元素组合。
5.根据权利要求1所述的方法，其中，获取每个训练数据组对应的至少一个训练模型，包括：
将所述训练数据组的所有训练数据输入神经网络，得到一组初始模型的权重值，根据该组权重值得到第一训练模型；
根据所述训练数据组中每条训练数据的特征向量和所述第一训练模型，计算得到每条训练数据的特征值；
将特征值相同的训练数据划分为一个训练数据子组，得到所述训练数据组对应的多个训练数据子组；
对于每个训练数据子组，将其所有训练数据输入神经网络，得到一组初始模型的权重值，根据该组权重得到每个训练数据子组对应的第二训练模型；
将所有第二训练模型作为所述训练数据组的训练模型。
6.根据权利要求5所述的方法，其中，确定每个训练模型对应的绘图样例，包括：
从所述第二训练模型对应的训练数据子组中所有训练数据的样本图像中选取绘图样例。
7.根据权利要求6所述的方法，其中，所述待作业任务包括待绘图区域和所述待作业地图元素。
8.根据权利要求7所述的方法，其中，确定与所述待作业任务的待作业地图元素匹配的训练模型，输出所述匹配的训练模型对应的绘图样例，包括：
根据所述待绘图区域从电子地图的底图中截取待作业图像，并获取所述待作业图像的特征向量；
确定与所述待作业地图元素匹配的至少一个第二训练模型；
根据所述待作业图像的特征向量从匹配的所有第二训练模型中选取符合置信区间要求的至少一个第二训练模型，并输出选取的第二训练模型对应的绘图样例。
9.一种电子地图绘制的辅助作业装置，包括：
采集模块，用于采集多条样本数据，所述样本数据包括地图元素和绘图区域；
构建模块，用于根据所述样本数据构建对应的训练数据，所述训练数据包括所述地图元素和根据所述样本数据确定的样本图像的特征向量；
训练模块，用于根据所述地图元素对多条训练数据进行分组，得到多个训练数据组，获取每个训练数据组对应的至少一个训练模型，确定每个训练模型对应的绘图样例；
辅助模块，用于获取待作业任务，确定与所述待作业任务的待作业地图元素匹配的训练模型，输出所述匹配的训练模型对应的绘图样例，以辅助执行所述待作业任务。
10.根据权利要求9所述的装置，其中，所述构建模块具体用于：
根据所述绘图区域从电子地图的底图中截取样本图像；
对所述样本图像的设定维度进行特征提取，得到特征向量。
11.根据权利要求9所述的装置，其中，所述训练模块具体用于：
将地图元素相同的训练数据划分到一个训练数据组；每个训练数据组对应的一个地图元素或地图元素组合。
12.根据权利要求11所述的装置，其中，所述训练模块具体还用于：
将所述训练数据组的所有训练数据输入神经网络，得到一组初始模型的权重值，根据该组权重值得到第一训练模型；
根据所述训练数据组中每条训练数据的特征向量和所述第一训练模型，计算得到每条训练数据的特征值；
将特征值相同的训练数据划分为一个训练数据子组，得到所述训练数据组对应的多个训练数据子组；
对于每个训练数据子组，将其所有训练数据输入神经网络，得到一组初始模型的权重值，根据该组权重得到每个训练数据子组对应的第二训练模型；
将所有第二训练模型作为所述训练数据组的训练模型。
13.根据权利要求9所述的装置，其中，所述待作业任务包括待绘图区域和所述待作业地图元素。
14.根据权利要去13所述的装置，其中，所述辅助模块具体用于：
根据所述待绘图区域从电子地图的底图中截取待作业图像，并获取所述待作业图像的特征向量；
确定与所述待作业地图元素匹配的至少一个第二训练模型；
根据所述待作业图像的特征向量从匹配的所有第二训练模型中选取符合置信区间要求的至少一个第二训练模型，并输出选取的第二训练模型对应的绘图样例。
15.一种电子设备，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1-8任一项所述的方法。
16.一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1-8中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
CN202111017951.6A 2021-08-31 2021-08-31 电子地图绘制的辅助作业方法、装置及电子设备 Pending CN113902858A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111017951.6A CN113902858A (zh) 2021-08-31 2021-08-31 电子地图绘制的辅助作业方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111017951.6A CN113902858A (zh) 2021-08-31 2021-08-31 电子地图绘制的辅助作业方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN113902858A true CN113902858A (zh) 2022-01-07

Family

ID=79188265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111017951.6A Pending CN113902858A (zh) 2021-08-31 2021-08-31 电子地图绘制的辅助作业方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113902858A (zh)

Similar Documents

Publication Publication Date Title
CN112581463A (zh) 图像缺陷的检测方法、装置、电子设备、存储介质及产品
CN112800915A (zh) 建筑物变化检测方法、装置、电子设备以及存储介质
CN114419035B (zh) 产品识别方法、模型训练方法、装置和电子设备
EP4123595A2 (en) Method and apparatus of rectifying text image, training method and apparatus, electronic device, and medium
CN114187459A (zh) 目标检测模型的训练方法、装置、电子设备以及存储介质
CN114648676A (zh) 点云处理模型的训练和点云实例分割方法及装置
CN115797565A (zh) 三维重建模型训练方法、三维重建方法、装置及电子设备
CN115311469A (zh) 图像标注方法、训练方法、图像处理方法以及电子设备
CN116245193A (zh) 目标检测模型的训练方法、装置、电子设备及介质
CN115359308A (zh) 模型训练、难例识别方法、装置、设备、存储介质及程序
CN114596431A (zh) 信息确定方法、装置及电子设备
CN114416906A (zh) 地图数据的质检方法、装置及电子设备
CN116524165A (zh) 三维表情模型的迁移方法、装置、设备和存储介质
CN113902858A (zh) 电子地图绘制的辅助作业方法、装置及电子设备
CN113610856B (zh) 训练图像分割模型和图像分割的方法和装置
CN114581730A (zh) 检测模型的训练方法、目标检测方法、装置、设备和介质
CN113670295A (zh) 数据处理方法、装置、电子设备及可读存储介质
CN113408633B (zh) 用于输出信息的方法、装置、设备以及存储介质
CN116416500B (zh) 图像识别模型训练方法、图像识别方法、装置及电子设备
CN113361524B (zh) 图像处理方法及装置
CN116468985B (zh) 模型训练方法、质量检测方法、装置、电子设备及介质
US20220230343A1 (en) Stereo matching method, model training method, relevant electronic devices
CN114383600B (zh) 用于地图的处理方法、装置、电子设备和存储介质
CN114494818B (zh) 图像处理方法、模型训练方法、相关装置及电子设备
CN114092874B (zh) 目标检测模型的训练方法、目标检测方法及其相关设备

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