申请/专利权人：人民中科(北京)智能技术有限公司

申请日：2024-01-11

公开（公告）日：2024-04-19

公开（公告）号：CN117555979B

主分类号：G06F16/29

分类号：G06F16/29;G06N5/04;G06V10/25;G06V10/32;G06V10/44;G06V10/52;G06V10/764;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2024.03.01#实质审查的生效;2024.02.13#公开

摘要：本发明公开了一种高效的自底向上的地图位置缺失识别方法，包括以下步骤：S1、数据准备；S2、地图关键点检测模型的训练：将数据预处理后组合；进行高分辨率的特征提取；将高分辨率特征转换为热图，并预测每一个关键点的嵌入向量；得到预测结果，与真实标注进行均方差损失计算来反向传播进行模型优化；直至模型优化至达到输出标准，完成训练；S3、模型量化；S4、地图关键点检测模型推理，输出地图位置缺失识别结果。本发明在保证精度的同时提高从海量数据中检测出问题地图的效率，可以直接在输入的图片上定位地图关键点，有着较高的效率；同时需要的计算和存储资源也相对有限，可以满足海量数据的处理以及服务实际部署的需求。

主权项：1.一种高效的自底向上的地图位置缺失识别方法，其特征在于：包括以下步骤：S1、数据准备，包括训练数据的收集、获取以及标注；S2、地图关键点检测模型的训练，训练过程为：S21、数据处理：将数据预处理后组合为用于训练的mini-batch；S22、特征层提取：数据送入地图关键点检测模型进行高分辨率的特征提取；S23、多头预测：在得到提取的特征后，网络预测层将高分辨率特征转换为热图，同时预测每一个关键点的嵌入向量；S24、损失计算：模型前向传播得到预测结果，与对应的真实标注进行均方差损失和分组损失的计算来反向传播进行模型优化；S25、模型输出：直至模型优化至达到输出标准，结束模型训练，最终将模型文件输出；S3、对S25输出的地图关键点检测模型进行量化；S4、地图关键点检测模型推理，输出地图位置缺失识别结果；其中，模型推理过程为：S41、对于获取到的待检测地图图像进行预处理；S42、将预处理后的图像送入地图关键点检测模型中进行关键点的检测，得到的预测值主要包含地图的关键位置的关键点坐标、对应的得分以及对应于每个关键点的嵌入向量；S43、基于嵌入向量将图中所有关键点进行分组，得到每一个地图样本的所有关键点检测结果；S44、依次取出每一个地图样本的每一个关键点的得分进行位置缺失的判断；循环此步骤直至图中的所有关键点都判别完成；S45、汇总判别结果进行输出。

全文数据：

权利要求：

百度查询： 人民中科(北京)智能技术有限公司 一种高效的自底向上的地图位置缺失识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD