CN115641430A - 一种兴趣面确定方法、装置、介质及计算机设备 - Google Patents
一种兴趣面确定方法、装置、介质及计算机设备 Download PDFInfo
- Publication number
- CN115641430A CN115641430A CN202211248864.6A CN202211248864A CN115641430A CN 115641430 A CN115641430 A CN 115641430A CN 202211248864 A CN202211248864 A CN 202211248864A CN 115641430 A CN115641430 A CN 115641430A
- Authority
- CN
- China
- Prior art keywords
- interest
- candidate
- plane
- contour
- satellite image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000011218 segmentation Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013145 classification model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 235000019580 granularity Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本公开涉及一种兴趣面确定方法、装置、介质及计算机设备。本公开通过获取待绘制区域的卫星影像和待绘制区域关联的道路信息,将道路信息作为卫星影像的补充信息解决卫星影像中道路可能存在遮挡现象导致兴趣面分割的准确性较低的问题;进而,基于道路信息对卫星影像进行分割,使得分割多个候选兴趣面不依赖于兴趣点,适用于无兴趣点场景下的兴趣面分割,且绘制的兴趣面不依赖网格拼接,使得兴趣面的轮廓符合现实世界中的区域轮廓;从而,基于候选兴趣面的轮廓和候选兴趣面对应的子卫星影像,剔除多个候选兴趣面的轮廓中冗余的轮廓,得到待绘制区域中目标兴趣面的轮廓,无需人工作业,降低成本并提高效率。
Description
技术领域
本公开实施例涉及地理位置信息技术领域,具体涉及一种兴趣面确定方法、装置、介质及计算机设备。
背景技术
兴趣面(Area Of Interest,AOI)是电子地图的基础数据,AOI是带有一定物理边界(封闭或半封闭)的且有固定的出入口的区域状地理实体,如一幢写字楼,一个居民小区,亦或是一所学校,一个公园等。
目前,AOI确定流程是:先确定兴趣点(Point Of Interest,POI),POI是电子地图上任何有意义的点,例如商店,酒吧,加油站,医院,车站,景区等;然后再由人工绘制区域轮廓得到AOI,由于AOI是“面”,POI是“点”,因此,一个AOI中可以包括一个或多个POI,也可以不包括POI。
可见,目前AOI确定流程需要人工作业,效率较低,成本较高,并且对于无POI场景无法确定AOI。
发明内容
本公开的至少一个实施例提供了一种兴趣面确定方法、装置、介质及计算机设备。
第一方面,本公开实施例提出一种兴趣面确定方法,该方法包括:
获取待绘制区域的卫星影像和待绘制区域关联的道路信息;
基于道路信息对卫星影像进行分割,得到多个候选兴趣面的轮廓和每个候选兴趣面在卫星影像上对应的子卫星影像;
针对每个候选兴趣面,基于候选兴趣面的轮廓和候选兴趣面对应的子卫星影像,剔除多个候选兴趣面的轮廓中冗余的轮廓,得到待绘制区域中目标兴趣面的轮廓。
在一些实施例中,基于道路信息对卫星影像进行分割,得到多个候选兴趣面的轮廓和每个候选兴趣面在卫星影像上对应的子卫星影像之前,兴趣面确定方法还包括:
对卫星影像中的目标区域进行遮挡处理,得到目标卫星影像;其中,目标区域为待绘制区域中已确定的兴趣面在卫星影像中对应的区域;
基于道路信息对卫星影像进行分割,得到多个候选兴趣面的轮廓和每个候选兴趣面在卫星影像上对应的子卫星影像,包括:
通过预先训练的兴趣面分割模型对目标卫星影像和道路信息进行处理,得到多个候选兴趣面的轮廓和每个候选兴趣面在卫星影像上对应的子卫星影像。
在一些实施例中,针对每个候选兴趣面,基于候选兴趣面的轮廓和候选兴趣面对应的子卫星影像,剔除多个候选兴趣面的轮廓中冗余的轮廓,得到待绘制区域中目标兴趣面的轮廓,包括:
针对每个候选兴趣面,通过预先训练的兴趣面挑选模型对候选兴趣面的轮廓和候选兴趣面对应的子卫星影像进行处理,得到候选兴趣面的轮廓的评分;
判断候选兴趣面的轮廓的评分是否大于或等于预设评分阈值,若大于或等于,则确定候选兴趣面的轮廓为待绘制区域中目标兴趣面的轮廓;否则,剔除候选兴趣面的轮廓。
在一些实施例中,针对每个候选兴趣面,通过预先训练的兴趣面挑选模型对候选兴趣面的轮廓和候选兴趣面对应的子卫星影像进行处理,得到候选兴趣面的轮廓的评分之前,兴趣面确定方法还包括:
获取候选兴趣面相关的至少一种信息:候选兴趣面之外预设距离范围内的道路信息、候选兴趣面内的用户定位信息、候选兴趣面内的用户轨迹信息和候选兴趣面内包括的各楼栋的轮廓信息;
针对每个候选兴趣面,通过预先训练的兴趣面挑选模型对候选兴趣面的轮廓和候选兴趣面对应的子卫星影像进行处理,得到候选兴趣面的轮廓的评分,包括:
针对每个候选兴趣面,通过预先训练的兴趣面挑选模型对候选兴趣面的轮廓、候选兴趣面对应的子卫星影像以及候选兴趣面相关的至少一种信息进行处理,得到候选兴趣面的轮廓的评分。
在一些实施例中,兴趣面确定方法还包括:
在得到待绘制区域中目标兴趣面的轮廓后,获取目标兴趣面的多个候选名称、每个候选名称关联的用户运单信息以及每个候选名称与目标兴趣面的轮廓之间的距离;
基于每个候选名称关联的用户运单信息以及每个候选名称与目标兴趣面的轮廓之间的距离,从多个候选名称中选择一个候选名称作为目标兴趣面的名称。
在一些实施例中,基于每个候选名称关联的用户运单信息以及每个候选名称与目标兴趣面的轮廓之间的距离,从多个候选名称中选择一个候选名称作为目标兴趣面的名称,包括:
通过预先训练的兴趣面命名模型对多个候选名称、每个候选名称关联的用户运单信息以及每个候选名称与目标兴趣面的轮廓之间的距离进行处理,得到每个候选名称的评分;
选择评分最高的候选名称作为目标兴趣面的名称。
在一些实施例中,多个候选名称包括以下至少一种名称:
目标兴趣面之外预设距离范围内以及目标兴趣面内包括的每个兴趣点的名称、每个兴趣点的地址对应的门牌号以及目标兴趣面内用户运单的主体名称。
第二方面,本公开实施例还提出一种兴趣面确定装置,该装置包括:
获取单元,用于获取待绘制区域的卫星影像和待绘制区域关联的道路信息;
分割单元,用于基于道路信息对卫星影像进行分割,得到多个候选兴趣面的轮廓和每个候选兴趣面在卫星影像上对应的子卫星影像;
确定单元,用于针对每个候选兴趣面,基于候选兴趣面的轮廓和候选兴趣面对应的子卫星影像,剔除多个候选兴趣面的轮廓中冗余的轮廓,得到待绘制区域中目标兴趣面的轮廓。
第三方面,本公开实施例还提出一种计算机设备,其中,包括至少一个计算装置和至少一个存储指令的存储装置;所述指令在被所述至少一个计算装置运行时,促使所述至少一个计算装置执行如第一方面任一实施例所述兴趣面确定方法的步骤。
第四方面,本公开实施例还提出一种计算机可读存储介质,其中,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如第一方面任一实施例所述兴趣面确定方法的步骤。
第五方面,本公开实施例还提供一种计算机程序产品,其中,该计算机程序产品包括计算机程序,该计算机程序存储在计算机可读存储介质中,计算机的至少一个处理器从存储介质读取并执行该计算机程序,使得计算机执行如第一方面任一实施例所述兴趣面确定方法的步骤。
可见,本公开的至少一个实施例中,通过获取待绘制区域的卫星影像和待绘制区域关联的道路信息,将道路信息作为卫星影像的补充信息解决卫星影像中道路可能存在遮挡现象导致兴趣面分割的准确性较低的问题;进而,基于道路信息对卫星影像进行分割,得到多个候选兴趣面的轮廓以及每个候选兴趣面在卫星影像上对应的子卫星影像,使得分割多个候选兴趣面不依赖于兴趣点,适用于无兴趣点场景下的兴趣面分割,且绘制的兴趣面不依赖网格拼接,使得兴趣面的轮廓符合现实世界中的区域轮廓;从而,基于候选兴趣面的轮廓和候选兴趣面对应的子卫星影像,剔除多个候选兴趣面的轮廓中冗余的轮廓,得到待绘制区域中目标兴趣面的轮廓,无需人工作业,降低成本并提高效率。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种兴趣面确定方法的流程示意图;
图2为本公开实施例提供的一种分割候选兴趣面的流程示意图;
图3为本公开实施例提供的一种挑选候选兴趣面的流程示意图;
图4为本公开实施例提供的一种确定兴趣面的名称的流程示意图;
图5为本公开实施例提供的另一种确定兴趣面的名称的流程示意图;
图6为本公开实施例提供的一种确定兴趣面的流程示意图;
图7为本公开实施例提供的一种兴趣面确定装置的框图;
图8为本公开实施例提供的一种计算机设备的示例性框图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开,而非对本公开的限定。基于所描述的本公开的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
AOI在物流(包括运单分配、运单合并、配送范围选择等)和即时配送运营(包括商务运营、运力(例如外卖骑手)运营等)等业务场景中起到重要作用。例如,在物流时,需要知道某个AOI是否在商家的配送范围内,哪些运单可以给同一个骑手一起配送到一个AOI等;又例如,在运营时,需要知道哪个AOI的商家参加本次运营的红包活动,哪些运力应该在这个AOI多接运单等。
在一些相关技术中,通过AOI的功能类别(例如学校、居民区、医院等)和地理属性(例如区域内的POI信息等),利用图像语义分割模型对POI与影像的叠加关系进行处理,得到AOI的轮廓。
虽然相关技术无需人工绘制AOI的轮廓,降低了成本,提高了效率,但是相关技术仍然存在如下问题:
(1)相关技术依赖于输入兴趣点(POI)集合,若没有POI则无法绘制AOI的轮廓,对于无POI场景无法确定AOI。
(2)相关技术中通过网格组合(即网格拼接)得到AOI的轮廓,可见,AOI的轮廓不符合现实世界中的区域轮廓。
(3)相关技术中AOI的名称依赖于兴趣点(POI),其命名依赖于作业工艺和规范,与AOI周边用户的行为习惯不一致。
本公开实施例提供一种兴趣面确定方法、装置、介质或计算机设备,通过获取待绘制区域的卫星影像和待绘制区域关联的道路信息,将道路信息作为卫星影像的补充信息解决卫星影像中道路可能存在遮挡现象导致兴趣面分割的准确性较低的问题;进而,基于道路信息对卫星影像进行分割,得到多个候选兴趣面的轮廓以及每个候选兴趣面在卫星影像上对应的子卫星影像,使得分割多个候选兴趣面不依赖于兴趣点,适用于无兴趣点场景下的兴趣面分割,且绘制的兴趣面不依赖网格拼接,使得兴趣面的轮廓符合现实世界中的区域轮廓;从而,基于候选兴趣面的轮廓和候选兴趣面对应的子卫星影像,剔除多个候选兴趣面的轮廓中冗余的轮廓,得到待绘制区域中目标兴趣面的轮廓,无需人工作业,降低成本并提高效率,为物流和即时配送运营等业务场景提供的数据支撑。
图1为本公开实施例提供的一种兴趣面确定方法的流程示意图,该兴趣面确定方法的执行主体为电子设备,电子设备包括但不限于智能手机、掌上电脑、平板电脑、带显示屏的可穿戴设备、台式机、笔记本电脑、一体机、智能家居设备、服务器等,其中,服务器可以是独立的服务器,也可以是多个服务器的集群,可以包括搭建在本地的服务器和架设在云端的服务器。
如图1所示,该兴趣面确定方法可以包括但不限于步骤101至步骤103:
在步骤101中,获取待绘制区域的卫星影像和待绘制区域关联的道路信息。
在本公开实施例中,待绘制区域为电子地图中待绘制兴趣面的区域,例如,待绘制区域对应现实世界中3公里×3公里的区域,那么可以获取3公里×3公里的卫星影像。
考虑到卫星影像中道路可能存在遮挡现象,例如,云层遮挡、障碍物遮挡等,直接对卫星影像进行兴趣面分割的准确率较低,因此,在本公开实施例中,获取待绘制区域关联的道路信息作为卫星影像的补充信息,以便提高兴趣面分割的准确性。
在本公开实施例中,待绘制区域关联的道路信息包括:待绘制区域内的道路信息和待绘制区域外的道路信息,其中,待绘制区域外的道路信息例如为待绘制区域外某一距离范围内的道路信息,例如,待绘制区域外10米范围内的道路信息。
在本公开实施例中,待绘制区域关联的道路信息包括但不限于以下至少一种信息:道路宽度信息和道路所属信息,其中,道路所属可以根据道路所处环境确定,包括但不限于:中心区道路、仓库区道路、文教区道路、行政区道路、住宅区道路等。以上道路信息均可以从标精地图中获取。
在步骤102中,基于道路信息对卫星影像进行分割,得到多个候选兴趣面的轮廓和每个候选兴趣面在卫星影像上对应的子卫星影像。
在本公开实施例中,待绘制区域关联的每种道路信息实现为一个图层,例如,道路宽度信息实现为道路宽度图层,道路所属信息实现为道路所属图层。进而,可以将这些道路图层叠加到卫星影像对应的图层上,得到包含多个图层的图像,进而对该图像进行分割。
在本公开实施例中,多个候选兴趣面对应的子卫星影像属于卫星影像中的一部分,也即,卫星影像包括每个候选兴趣面对应的子卫星影像。
可见,与相关技术的区别在于,本公开实施例中,分割多个候选兴趣面不依赖于兴趣点(Point Of Interest,POI),适用于无POI场景下的兴趣面分割。
在步骤103中,针对每个候选兴趣面,基于候选兴趣面的轮廓和候选兴趣面对应的子卫星影像,剔除多个候选兴趣面的轮廓中冗余的轮廓,得到待绘制区域中目标兴趣面的轮廓。
在本公开实施例中,目标兴趣面为多个候选兴趣面中确实能够作为兴趣面的候选兴趣面,目标兴趣面可以是一个或多个。冗余的轮廓包括非区域或错误的候选兴趣面的轮廓,非区域或错误的候选兴趣面不能作为兴趣面,应当剔除。
其中,非区域包括空地、单楼栋和民宅等。空地由于不存在业务需求(例如运单需求),因此不能作为兴趣面;而单栋楼和民宅则属于兴趣点,因此不能作为兴趣面。错误的候选兴趣面的轮廓内包含不属于本兴趣面的区域或未包含应当属于本兴趣面的区域。例如,郊区工厂通常与周边环境没有明显的界限区分,因此,包含郊区工厂的候选兴趣面的轮廓内可能还包含非工厂的区域,导致该候选兴趣面错误。又例如,包含某小区的候选兴趣面,如果该小区中某个楼栋和其他楼栋距离较远,则该候选兴趣面的轮廓内可能未包含该距离较远的楼栋,导致该候选兴趣面错误,应该被剔除,不能作为兴趣面。
在剔除多个候选兴趣面的轮廓中非区域或错误的轮廓后,将保留的候选兴趣面的轮廓作为待绘制区域中目标兴趣面的轮廓。
可见,本公开实施例通过获取待绘制区域的卫星影像和待绘制区域关联的道路信息,将道路信息作为卫星影像的补充信息解决卫星影像中道路可能存在遮挡现象导致兴趣面分割的准确性较低的问题;进而,基于道路信息对卫星影像进行分割,得到多个候选兴趣面的轮廓以及每个候选兴趣面在卫星影像上对应的子卫星影像,使得分割多个候选兴趣面不依赖于兴趣点(Point Of Interest,POI),适用于无POI场景下的兴趣面分割,且绘制的兴趣面不依赖网格拼接,使得兴趣面的轮廓符合现实世界中的区域轮廓;从而,基于候选兴趣面的轮廓和候选兴趣面对应的子卫星影像,剔除多个候选兴趣面的轮廓中冗余的轮廓,得到待绘制区域中目标兴趣面的轮廓,无需人工作业,降低成本并提高效率,为物流和即时配送运营等业务场景提供的数据支撑。
在上述实施例的基础上,图2为本公开实施例提供的一种分割候选兴趣面的流程示意图,包括步骤201和步骤202:
在步骤201中,对卫星影像中的目标区域进行遮挡处理,得到目标卫星影像;其中,目标区域为待绘制区域中已确定的兴趣面在卫星影像中对应的区域。
在本公开实施例中,考虑到待绘制区域中可能存在已经确定的兴趣面,为了避免重复分割已经确定的兴趣面,在一些实施例中,由于已确定的兴趣面在电子地图中的位置是已知的,因此,基于该已知的位置,可以获取已确定的兴趣面在卫星影像中对应的区域,并将该区域记为目标区域;进而,可以对卫星影像中的目标区域进行遮挡处理(例如掩码(Mask)处理),得到目标卫星影像。从而,将道路图层叠加到目标卫星影像对应的图层上,得到包含多个图层的目标图像,对该目标图像进行分割,可以避免重复分割已经确定的兴趣面。
在步骤202中,通过预先训练的兴趣面分割模型对目标卫星影像和道路信息进行处理,得到多个候选兴趣面的轮廓和每个候选兴趣面在卫星影像上对应的子卫星影像。
在本公开实施例中,兴趣面分割模型的输入为目标卫星影像和道路信息,例如,兴趣面分割模型的输入为目标卫星影像对应的图层和道路信息对应的图层。在一些实施例中,可以将道路信息对应的图层叠加到目标卫星影像对应的图层上,生成包含多个图层的目标图像,进而将目标图像输入到兴趣面分割模型中。
在本公开实施例中,兴趣面分割模型可以对叠加有道路信息的目标卫星影像进行不同粒度地切分,输出为范围不同的多个候选兴趣面的轮廓以及每个候选兴趣面对应的卫星影像,且不同候选兴趣面之间可能存在重叠区域。
在一些实施例中,兴趣面分割模型通过以下方式训练得到:
首先,获取训练样本,训练样本包括电子地图中某一区域的卫星影像(例如3公里×3公里的卫星影像)和该区域关联的道路信息。训练样本的正标签为该区域中已确定的兴趣面;训练样本的负标签基于已确定的兴趣面生成,例如,将已确定的一个兴趣面切分为两个兴趣面,这两个兴趣面即作为负标签,又例如,将已确定的两个兴趣面合并为一个兴趣面,该兴趣面即作为负标签。
然后,将训练样本输入待训练的神经网络模型,调整神经网络模型本身的参数,以使神经网络模型输出的候选兴趣面与正标签的交并比(Intersection over Union,IoU)越大,且与负标签的交并比越小,直至神经网络模型输出的候选兴趣面与正标签的交并比和候选兴趣面与正标签的交并比全局最优(即不再衰减),则完成训练,得到兴趣面分割模型。在一些实施例中,兴趣面分割模型为掩码评分卷积神经网络模型(Mask Scoring R-CNN)。
在本公开实施例中,由于训练样本中正标签和负标签的轮廓大小不同,即范围不同,因此,训练得到的兴趣面分割模型可以对叠加有道路信息的目标卫星影像进行不同粒度地切分,输出为范围不同的多个候选兴趣面的轮廓以及每个候选兴趣面对应的卫星影像。
在上述实施例的基础上,步骤103中“针对每个候选兴趣面,基于候选兴趣面的轮廓和候选兴趣面对应的子卫星影像,剔除多个候选兴趣面的轮廓中冗余的轮廓,得到待绘制区域中目标兴趣面的轮廓”,包括如图3所示的步骤301和步骤302:
在步骤301中,针对每个候选兴趣面,通过预先训练的兴趣面挑选模型对候选兴趣面的轮廓和候选兴趣面对应的子卫星影像进行处理,得到候选兴趣面的轮廓的评分。
在本公开实施例中,兴趣面挑选模型的输入为候选兴趣面的轮廓和候选兴趣面对应的子卫星影像,例如,兴趣面挑选模型的输入为候选兴趣面的轮廓对应的图层和候选兴趣面对应的子卫星影像的图层。兴趣面挑选模型的输出为该候选兴趣面的轮廓的评分,评分的取值范围例如为[0,1]区间内的任一值。
在一些实施例中,兴趣面挑选模型通过以下方式训练得到:
首先,获取训练样本,训练样本包括正样本和负样本,其中,正样本为已确定的兴趣面的轮廓和该兴趣面对应的卫星影像;负样本为非区域或错误的候选兴趣面的轮廓和该候选兴趣面对应的卫星影像,其中,非区域包括空地、单楼栋和民宅等,错误的候选兴趣面的轮廓内包含不属于本兴趣面的区域或未包含应当属于本兴趣面的区域。
然后,将训练样本输入待训练的神经网络模型,调整神经网络模型本身的参数,以使神经网络模型的输出的正样本对应的兴趣面轮廓的评分为1或收敛到1,且负样本对应的兴趣面轮廓的评分为0或收敛到0,直至神经网络模型输出的平均绝对误差(Mean AbsoluteError,MAE)全局最优(即不再衰减),则完成训练,得到兴趣面挑选模型。在一些实施例中,兴趣面挑选模型为卷积神经网络(Convolutional Neural Network,CNN)模型。
在一些实施例中,若候选兴趣面的面积与兴趣面挑选模型要求的输入面积不同,则基于候选兴趣面的面积与兴趣面挑选模型要求的输入面积计算相对缩放比例;然后以候选兴趣面的轮廓的几何中心点为定点,基于相对缩放比例将候选兴趣面缩放至兴趣面挑选模型要求的输入面积;同理,以候选兴趣面对应的卫星影像的几何中心点为定点,基于相对缩放比例将卫星影像缩放至兴趣面挑选模型要求的输入面积。将缩放后的候选兴趣面的轮廓和缩放后的卫星影像输入兴趣面挑选模型。
在一些实施例中,在步骤301执行之前,兴趣面确定方法还可以包括如下步骤:
获取候选兴趣面相关的至少一种信息:候选兴趣面之外预设距离范围内的道路信息、候选兴趣面内的用户定位信息、候选兴趣面内的用户轨迹信息和候选兴趣面内包括的各楼栋的轮廓信息。
其中,候选兴趣面之外预设距离范围内的道路信息例如为候选兴趣面之外10米范围内的道路信息。候选兴趣面内的用户定位信息为用户在候选兴趣面内的驻留定位信息(例如用户在候选兴趣面内某个位置驻留超过预设时长(例如30分钟),则该位置的定位即为驻留定位)。候选兴趣面内的用户轨迹信息为用户在候选兴趣面内移动过程中产生的多个定位信息构成的轨迹信息。候选兴趣面内包括的各楼栋的轮廓信息可以从标精地图中获取。
相应地,步骤301具体为:针对每个候选兴趣面,通过预先训练的兴趣面挑选模型对候选兴趣面的轮廓、候选兴趣面对应的子卫星影像以及候选兴趣面相关的至少一种信息进行处理,得到候选兴趣面的轮廓的评分。其中,兴趣面挑选模型的输入为候选兴趣面的轮廓对应的图层、候选兴趣面对应的子卫星影像的图层以及候选兴趣面相关的至少一种信息对应的图层;兴趣面挑选模型的输出为候选兴趣面的轮廓的评分。
其中,兴趣面挑选模型的训练过程不再赘述,区别在于:正样本不仅包括已确定的兴趣面的轮廓和该兴趣面对应的子卫星影像,而且包括该兴趣面相关的至少一种信息;负样本不仅包括非区域或错误的候选兴趣面的轮廓以及该候选兴趣面对应的子卫星影像,而且包括该候选兴趣面相关的至少一种信息。
需要说明的是,若候选兴趣面的面积与兴趣面挑选模型要求的输入面积不同,则需要将候选兴趣面、候选兴趣面对应的子卫星影像以及候选兴趣面相关的至少一种信息缩放至兴趣面挑选模型要求的输入面积,将缩放后的候选兴趣面的轮廓、缩放后的子卫星影像和缩放后的候选兴趣面相关的至少一种信息输入兴趣面挑选模型。
在步骤302中,判断候选兴趣面的轮廓的评分是否大于或等于预设评分阈值,若大于或等于,则确定候选兴趣面的轮廓为待绘制区域中目标兴趣面的轮廓;否则,剔除候选兴趣面的轮廓。
在本公开实施例中,候选兴趣面的轮廓的评分可以理解为候选兴趣面是待绘制区域中目标兴趣面的概率,评分越高,概率越大。通过预先设置评分阈值,将评分大于或等于预设评分阈值的候选兴趣面确定是待绘制区域中的目标兴趣面,应当被保留;将评分小于预设评分阈值的候选兴趣面确定为非兴趣面,应当被剔除。
在一些实施例中,在步骤103得到待绘制区域中目标兴趣面的轮廓后,兴趣面确定方法还可以包括图4所示的步骤401和步骤402:
在步骤401中,获取目标兴趣面的多个候选名称、每个候选名称关联的用户运单信息以及每个候选名称与目标兴趣面的轮廓之间的距离。
在本公开实施例中,多个候选名称包括以下至少一种名称:
目标兴趣面之外预设距离(例如10米)范围内以及目标兴趣面内包括的每个兴趣点的名称、每个兴趣点的地址对应的门牌号以及目标兴趣面内用户运单的主体名称。
其中,兴趣点的名称为兴趣点的唯一标识(ID),例如,兴趣点为某个公司,本实施例不直接采用公司名称作为兴趣点的名称,理由是同一公司可能在不同地区有办公场所,而这些办公场所的名称均为公司名称,直接采用公司名称作为兴趣点的名称,无法区分兴趣点具***于哪个区域,而不同办公场所虽然具有相同的公司名称,但是具有不同的唯一标识(ID),因此,采用唯一标识作为兴趣点的名称。
用户运单的主体名称通过对用户运单进行文本切词提取得到的名称,其中,文本切词的方式为文本处理领域的成熟技术手段,本实施例不再赘述。例如:用户运单为某小区某楼栋某楼层某房间号,则将用户运单进行文本切词得到如下词语:某小区、某楼栋、某楼层和某房间号,进而将某小区的小区名称作为用户运单的主体名称。
在步骤402中,基于每个候选名称关联的用户运单信息以及每个候选名称与目标兴趣面的轮廓之间的距离,从多个候选名称中选择一个候选名称作为目标兴趣面的名称。
其中,候选名称关联的用户运单信息包括但不限于用户运单数量和用户数量等。由于用户运单信息与用户相关,且用户运单中的部分信息(例如运单地址等)是由用户填写的信息,因此,贴近用户习惯。可见,结合用户运单信息,可以选取贴近用户习惯的兴趣面名称。
在一些实施例中,步骤402中“基于每个候选名称关联的用户运单信息以及每个候选名称与目标兴趣面的轮廓之间的距离,从多个候选名称中选择一个候选名称作为目标兴趣面的名称”,包括图5所示的步骤501和步骤502:
在步骤501中,通过预先训练的兴趣面命名模型对多个候选名称、每个候选名称关联的用户运单信息以及每个候选名称与目标兴趣面的轮廓之间的距离进行处理,得到每个候选名称的评分。
在本公开实施例中,兴趣面命名模型的输入为候选名称、候选名称关联的用户运单信息以及候选名称与目标兴趣面的轮廓之间的距离;兴趣面命名模型的输出为候选名称的评分,评分的取值范围例如为[0,1]区间内的任一值。
在一些实施例中,兴趣面命名模型通过以下方式训练得到:
首先,获取训练样本,训练样本包括已确定的兴趣面的多个候选名称(包括该兴趣面已确定的名称)、每个候选名称关联的用户运单信息以及每个候选名称与兴趣面的轮廓之间的距离。其中,该兴趣面已确定的名称作为标签信息。
然后,将训练样本输入待训练的分类模型,调整分类模型本身的参数,以使分类模型输出的该兴趣面已确定的名称的评分为1或收敛到1,则完成训练,得到兴趣面命名模型。在一些实施例中,分类模型为梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型。
在步骤502中,选择评分最高的候选名称作为目标兴趣面的名称。
在本公开实施例中,候选名称的评分可以理解为候选名称是目标兴趣面的名称的概率,评分越高,概率越大。将多个候选名称的评分按照由大到小进行排序,将排在第一位的候选名称(说明该候选名称的评分最高)作为目标兴趣面的名称。
基于以上各实施例,图6为本公开实施例提供的一种确定兴趣面的流程示意图,在图6中,确定兴趣面的流程包括三个阶段:兴趣面分割601、兴趣面挑选602和兴趣面命名603:
兴趣面分割601:获取待绘制区域的卫星影像6011,并将待绘制区域关联的道路信息6012叠加到卫星影像中,然后通过兴趣面分割模型6013(例如为Mask Scoring R-CNN)对叠加有道路信息的卫星影像进行不同粒度地兴趣面分割,得到范围不同的多个候选兴趣面的轮廓和每个候选兴趣面对应的子卫星影像6014,且不同候选兴趣面之间可能存在重叠区域。
兴趣面挑选602:针对任一候选兴趣面,结合候选兴趣面之外预设距离范围内的道路信息、候选兴趣面内的用户定位信息、候选兴趣面内的用户轨迹信息和候选兴趣面内包括的各楼栋的轮廓信息6021;通过兴趣面挑选模型6022(例如CNN模型)对6021和6014进行处理,输出该候选兴趣面的轮廓的评分;进而,得到轮廓分类结果6023:若候选兴趣面的轮廓的评分大于或等于预设评分阈值,则候选兴趣面的轮廓为待绘制区域中目标兴趣面的轮廓;否则,剔除候选兴趣面的轮廓。
兴趣面命名603:获取目标兴趣面的多个候选名称6031:目标兴趣面之外预设距离(例如10米)范围内以及目标兴趣面内包括的每个兴趣点的名称、每个兴趣点的地址对应的门牌号以及目标兴趣面内用户运单的主体名称;然后,通过兴趣面命名模型6032(例如GBDT模型)对多个候选名称、候选名称关联的用户运单信息以及候选名称与目标兴趣面的轮廓之间的距离进行处理,得到每个候选名称的评分;进而,确定命名结果6033:选择评分最高的候选名称作为目标兴趣面的名称。最终得到待绘制区域中目标兴趣面的轮廓和名称604。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员能够理解,本公开实施例并不受所描述的动作顺序的限制,因为依据本公开实施例,某些步骤可以采用其他顺序或者同时进行。另外,本领域技术人员能够理解,说明书中所描述的实施例均属于可选实施例。
图7是本公开实施例提供的一种兴趣面确定装置的示意图,该兴趣面确定装置可以应用于电子设备,电子设备包括但不限于智能手机、掌上电脑、平板电脑、带显示屏的可穿戴设备、台式机、笔记本电脑、一体机、智能家居设备、服务器等,其中,服务器可以是独立的服务器,也可以是多个服务器的集群,可以包括搭建在本地的服务器和架设在云端的服务器。本公开实施例提供的兴趣面确定装置可以执行兴趣面确定方法各实施例提供的处理流程,如图7所示,兴趣面确定装置包括:获取单元71、分割单元72和确定单元73。
获取单元71,用于获取待绘制区域的卫星影像和待绘制区域关联的道路信息;
分割单元72,用于基于道路信息对卫星影像进行分割,得到多个候选兴趣面的轮廓和每个候选兴趣面在卫星影像上对应的子卫星影像;
确定单元73,用于针对每个候选兴趣面,基于候选兴趣面的轮廓和候选兴趣面对应的子卫星影像,剔除多个候选兴趣面的轮廓中冗余的轮廓,得到待绘制区域中目标兴趣面的轮廓。
在一些实施例中,兴趣面确定装置还包括遮挡单元,用于对卫星影像中的目标区域进行遮挡处理,得到目标卫星影像;其中,目标区域为待绘制区域中已确定的兴趣面在卫星影像中对应的区域。
相应地,分割单元72,具体用于通过预先训练的兴趣面分割模型对目标卫星影像和道路信息进行处理,得到多个候选兴趣面的轮廓和每个候选兴趣面在卫星影像上对应的子卫星影像。
在一些实施例中,确定单元73用于:
针对每个候选兴趣面,通过预先训练的兴趣面挑选模型对候选兴趣面的轮廓和候选兴趣面对应的子卫星影像进行处理,得到候选兴趣面的轮廓的评分;
判断候选兴趣面的轮廓的评分是否大于或等于预设评分阈值,若大于或等于,则确定候选兴趣面的轮廓为待绘制区域中目标兴趣面的轮廓;否则,剔除候选兴趣面的轮廓。
在一些实施例中,获取单元71还用于:
获取候选兴趣面相关的至少一种信息:候选兴趣面之外预设距离范围内的道路信息、候选兴趣面内的用户定位信息、候选兴趣面内的用户轨迹信息和候选兴趣面内包括的各楼栋的轮廓信息;
确定单元73针对每个候选兴趣面,通过预先训练的兴趣面挑选模型对候选兴趣面的轮廓和候选兴趣面对应的子卫星影像进行处理,得到候选兴趣面的轮廓的评分,包括:
针对每个候选兴趣面,通过预先训练的兴趣面挑选模型对候选兴趣面的轮廓、候选兴趣面对应的子卫星影像以及候选兴趣面相关的至少一种信息进行处理,得到候选兴趣面的轮廓的评分。
在一些实施例中,获取单元71还用于:在确定单元73得到待绘制区域中目标兴趣面的轮廓后,获取目标兴趣面的多个候选名称、每个候选名称关联的用户运单信息以及每个候选名称与目标兴趣面的轮廓之间的距离。
兴趣面确定装置还包括:命名单元,用于基于每个候选名称关联的用户运单信息以及每个候选名称与目标兴趣面的轮廓之间的距离,从多个候选名称中选择一个候选名称作为目标兴趣面的名称。
在一些实施例中,命名单元用于:
通过预先训练的兴趣面命名模型对多个候选名称、每个候选名称关联的用户运单信息以及每个候选名称与目标兴趣面的轮廓之间的距离进行处理,得到每个候选名称的评分;
选择评分最高的候选名称作为目标兴趣面的名称。
在一些实施例中,多个候选名称包括以下至少一种名称:
目标兴趣面之外预设距离范围内以及目标兴趣面内包括的每个兴趣点的名称、每个兴趣点的地址对应的门牌号以及目标兴趣面内用户运单的主体名称。
以上公开的兴趣面确定装置各实施例的细节可参考前述的兴趣面确定方法各实施例的细节,为避免重复不再赘述。
图8是本公开实施例提供的一种计算机设备的示例性框图。如图8所示,该计算机设备包括:至少一个计算装置801、至少一个存储指令的存储装置802。可以理解,本实施例中的存储装置802可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
在一些实施方式中,存储装置802存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:操作***和应用程序。
其中,操作***,包含各种***程序,例如框架层、核心库层、驱动层等,用于实现各种基础任务以及处理基于硬件的任务。应用程序,包含各种应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用任务。实现本公开实施例提供的兴趣面确定方法的程序可以包含在应用程序中。
在本公开实施例中,至少一个计算装置801通过调用至少一个存储装置802存储的程序或指令,具体的,可以是应用程序中存储的程序或指令,至少一个计算装置801用于执行本公开实施例提供的兴趣面确定方法各实施例的步骤。
本公开实施例提供的兴趣面确定方法可以应用于计算装置801中,或者由计算装置801实现。计算装置801可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过计算装置801中的硬件的集成逻辑电路或者软件形式的指令完成。上述的计算装置801可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本公开实施例提供的兴趣面确定方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储装置802,计算装置801读取存储装置802中的信息,结合其硬件完成方法的步骤。
本公开实施例还提出一种计算机可读存储介质,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如兴趣面确定方法各实施例的步骤,为避免重复描述,在此不再赘述。其中,计算机可读存储介质可以为非暂态计算机可读存储介质。
本公开实施例还提出一种计算机程序产品,其中,该计算机程序产品包括计算机程序,该计算机程序存储在非暂态计算机可读存储介质中,计算机的至少一个处理器从存储介质读取并执行该计算机程序,使得计算机执行如兴趣面确定方法各实施例的步骤,为避免重复描述,在此不再赘述。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。
本领域的技术人员能够理解,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
虽然结合附图描述了本公开的实施方式,但是本领域技术人员可以在不脱离本公开的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种兴趣面确定方法,所述方法包括:
获取待绘制区域的卫星影像和所述待绘制区域关联的道路信息;
基于所述道路信息对所述卫星影像进行分割,得到多个候选兴趣面的轮廓和每个所述候选兴趣面在所述卫星影像上对应的子卫星影像;
针对每个所述候选兴趣面,基于所述候选兴趣面的轮廓和所述候选兴趣面对应的子卫星影像,剔除所述多个候选兴趣面的轮廓中冗余的轮廓,得到所述待绘制区域中目标兴趣面的轮廓。
2.根据权利要求1所述的方法,其中,所述基于所述道路信息对所述卫星影像进行分割,得到多个候选兴趣面的轮廓和每个所述候选兴趣面在所述卫星影像上对应的子卫星影像之前,所述方法还包括:
对所述卫星影像中的目标区域进行遮挡处理,得到目标卫星影像;其中,所述目标区域为所述待绘制区域中已确定的兴趣面在所述卫星影像中对应的区域;
所述基于所述道路信息对所述卫星影像进行分割,得到多个候选兴趣面的轮廓和每个所述候选兴趣面在所述卫星影像上对应的子卫星影像,包括:
通过预先训练的兴趣面分割模型对所述目标卫星影像和所述道路信息进行处理,得到多个候选兴趣面的轮廓和每个所述候选兴趣面在所述卫星影像上对应的子卫星影像。
3.根据权利要求1所述的方法,其中,所述针对每个所述候选兴趣面,基于所述候选兴趣面的轮廓和所述候选兴趣面对应的子卫星影像,剔除所述多个候选兴趣面的轮廓中冗余的轮廓,得到所述待绘制区域中目标兴趣面的轮廓,包括:
针对每个所述候选兴趣面,通过预先训练的兴趣面挑选模型对所述候选兴趣面的轮廓和所述候选兴趣面对应的子卫星影像进行处理,得到所述候选兴趣面的轮廓的评分;
判断所述候选兴趣面的轮廓的评分是否大于或等于预设评分阈值,若大于或等于,则确定所述候选兴趣面的轮廓为所述待绘制区域中目标兴趣面的轮廓;否则,剔除所述候选兴趣面的轮廓。
4.根据权利要求3所述的方法,其中,所述针对每个所述候选兴趣面,通过预先训练的兴趣面挑选模型对所述候选兴趣面的轮廓和所述候选兴趣面对应的子卫星影像进行处理,得到所述候选兴趣面的轮廓的评分之前,所述方法还包括:
获取所述候选兴趣面相关的至少一种信息:所述候选兴趣面之外预设距离范围内的道路信息、所述候选兴趣面内的用户定位信息、所述候选兴趣面内的用户轨迹信息和所述候选兴趣面内包括的各楼栋的轮廓信息;
所述针对每个所述候选兴趣面,通过预先训练的兴趣面挑选模型对所述候选兴趣面的轮廓和所述候选兴趣面对应的子卫星影像进行处理,得到所述候选兴趣面的轮廓的评分,包括:
针对每个所述候选兴趣面,通过预先训练的兴趣面挑选模型对所述候选兴趣面的轮廓、所述候选兴趣面对应的子卫星影像以及所述候选兴趣面相关的至少一种信息进行处理,得到所述候选兴趣面的轮廓的评分。
5.根据权利要求1所述的方法,其中,所述方法还包括:
在得到所述待绘制区域中目标兴趣面的轮廓后,获取所述目标兴趣面的多个候选名称、每个所述候选名称关联的用户运单信息以及每个所述候选名称与所述目标兴趣面的轮廓之间的距离;
基于每个所述候选名称关联的用户运单信息以及每个所述候选名称与所述目标兴趣面的轮廓之间的距离,从所述多个候选名称中选择一个候选名称作为所述目标兴趣面的名称。
6.根据权利要求5所述的方法,其中,所述基于每个所述候选名称关联的用户运单信息以及每个所述候选名称与所述目标兴趣面的轮廓之间的距离,从所述多个候选名称中选择一个候选名称作为所述目标兴趣面的名称,包括:
通过预先训练的兴趣面命名模型对所述多个候选名称、每个所述候选名称关联的用户运单信息以及每个所述候选名称与所述目标兴趣面的轮廓之间的距离进行处理,得到每个所述候选名称的评分;
选择评分最高的候选名称作为所述目标兴趣面的名称。
7.根据权利要求5所述的方法,其中,所述多个候选名称包括以下至少一种名称:
所述目标兴趣面之外预设距离范围内以及所述目标兴趣面内包括的每个兴趣点的名称、每个所述兴趣点的地址对应的门牌号以及所述目标兴趣面内用户运单的主体名称。
8.一种兴趣面确定装置,所述装置包括:
获取单元,用于获取待绘制区域的卫星影像和所述待绘制区域关联的道路信息;
分割单元,用于基于所述道路信息对所述卫星影像进行分割,得到多个候选兴趣面的轮廓和每个所述候选兴趣面在所述卫星影像上对应的子卫星影像;
确定单元,用于针对每个所述候选兴趣面,基于所述候选兴趣面的轮廓和所述候选兴趣面对应的子卫星影像,剔除所述多个候选兴趣面的轮廓中冗余的轮廓,得到所述待绘制区域中目标兴趣面的轮廓。
9.一种计算机可读存储介质,其中,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如权利要求1至7任一项所述兴趣面确定方法的步骤。
10.一种计算机设备,其中,包括至少一个计算装置和至少一个存储指令的存储装置;所述指令在被所述至少一个计算装置运行时,促使所述至少一个计算装置执行如权利要求1至7任一项所述兴趣面确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248864.6A CN115641430B (zh) | 2022-10-12 | 2022-10-12 | 一种兴趣面确定方法、装置、介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248864.6A CN115641430B (zh) | 2022-10-12 | 2022-10-12 | 一种兴趣面确定方法、装置、介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115641430A true CN115641430A (zh) | 2023-01-24 |
CN115641430B CN115641430B (zh) | 2024-01-30 |
Family
ID=84944353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211248864.6A Active CN115641430B (zh) | 2022-10-12 | 2022-10-12 | 一种兴趣面确定方法、装置、介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641430B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140057130A (ko) * | 2012-10-25 | 2014-05-12 | 삼성전자주식회사 | 이미지 처리 시스템 |
CN107067003A (zh) * | 2017-03-09 | 2017-08-18 | 百度在线网络技术(北京)有限公司 | 感兴趣区域边界的提取方法、装置、设备和计算机存储介质 |
CN110832478A (zh) * | 2018-06-04 | 2020-02-21 | 北京嘀嘀无限科技发展有限公司 | 用于按需服务的***和方法 |
CN111523061A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 用于生成兴趣面的方法和装置 |
CN111695488A (zh) * | 2020-06-09 | 2020-09-22 | 北京百度网讯科技有限公司 | 兴趣面识别方法、装置、设备以及存储介质 |
CN112052848A (zh) * | 2020-08-24 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 街区标注中样本数据的获取方法及装置 |
US20210064616A1 (en) * | 2018-11-06 | 2021-03-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for location recommendation |
CN115018866A (zh) * | 2022-05-06 | 2022-09-06 | 北京美大智达科技有限公司 | 一种边界确定方法、装置、存储介质及电子设备 |
-
2022
- 2022-10-12 CN CN202211248864.6A patent/CN115641430B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140057130A (ko) * | 2012-10-25 | 2014-05-12 | 삼성전자주식회사 | 이미지 처리 시스템 |
CN107067003A (zh) * | 2017-03-09 | 2017-08-18 | 百度在线网络技术(北京)有限公司 | 感兴趣区域边界的提取方法、装置、设备和计算机存储介质 |
US20180260648A1 (en) * | 2017-03-09 | 2018-09-13 | Baidu Online Network Technology (Beijing) Co., Ltd | Area of interest boundary extracting method and apparatus, device and computer storage medium |
CN110832478A (zh) * | 2018-06-04 | 2020-02-21 | 北京嘀嘀无限科技发展有限公司 | 用于按需服务的***和方法 |
US20210064616A1 (en) * | 2018-11-06 | 2021-03-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for location recommendation |
CN111523061A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 用于生成兴趣面的方法和装置 |
CN111695488A (zh) * | 2020-06-09 | 2020-09-22 | 北京百度网讯科技有限公司 | 兴趣面识别方法、装置、设备以及存储介质 |
CN112052848A (zh) * | 2020-08-24 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 街区标注中样本数据的获取方法及装置 |
CN115018866A (zh) * | 2022-05-06 | 2022-09-06 | 北京美大智达科技有限公司 | 一种边界确定方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115641430B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109582880B (zh) | 兴趣点信息处理方法、装置、终端及存储介质 | |
CN107168991B (zh) | 一种搜索结果展示方法和装置 | |
US11403766B2 (en) | Method and device for labeling point of interest | |
CN111652144B (zh) | 基于目标区域融合的题目分割方法、装置、设备和介质 | |
CN110727816A (zh) | 兴趣点类别确定方法和装置 | |
CN109783589B (zh) | 电子地图解析地址的方法、装置及存储介质 | |
CN111652266A (zh) | 用户界面组件的识别方法、装置、电子设备和存储介质 | |
CN110688434B (zh) | 一种兴趣点处理方法、装置、设备和介质 | |
CN110609879B (zh) | 兴趣点判重方法、装置、计算机设备及存储介质 | |
CN113850136A (zh) | 基于yolov5与BCNN的车辆朝向识别方法及*** | |
CN113343981A (zh) | 一种视觉特征增强的字符识别方法、装置和设备 | |
CN112328880A (zh) | 地理区域聚类方法、装置、存储介质和电子设备 | |
CN110245286B (zh) | 一种基于数据挖掘的旅行推荐方法及装置 | |
CN114595302A (zh) | 空间要素的多层级空间关系构建方法、装置、介质及设备 | |
US11514062B2 (en) | Feature value generation device, feature value generation method, and feature value generation program | |
CN113762455A (zh) | 检测模型训练方法、单字检测方法、装置、设备及介质 | |
CN115641430A (zh) | 一种兴趣面确定方法、装置、介质及计算机设备 | |
CN110688995A (zh) | 地图查询的处理方法,计算机可读存储介质和移动终端 | |
CN115018866A (zh) | 一种边界确定方法、装置、存储介质及电子设备 | |
CN111062388B (zh) | 基于深度学习的广告文字的识别方法、***、介质及设备 | |
CN110457705B (zh) | 一种兴趣点数据处理方法、装置、设备和存储介质 | |
CN112861532B (zh) | 地址标准化处理方法、装置、设备及在线搜索*** | |
CN113705233A (zh) | 区域命名方法、装置及电子设备 | |
CN111753625A (zh) | 一种行人检测方法、装置、设备及介质 | |
CN111870954A (zh) | 一种高度图生成方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |