任务处理方法技术

本公开提供了一种任务处理方法

【技术实现步骤摘要】
任务处理方法、神经网络及其训练方法、设备和介质


[0001]本公开涉及人工智能领域，具体涉及图像处理技术
、
电子地图技术
、
和深度学习技术，特别涉及一种任务处理方法
、
神经网络的训练方法
、
用于任务处理的神经网络
、
电子设备
、
计算机可读存储介质和计算机程序产品
。

技术介绍

[0002]人工智能是研究使计算机来模拟人的某些思维过程和智能行为
(
如学习
、
推理
、
思考
、
规划等
)
的学科，既有硬件层面的技术也有软件层面的技术
。
人工智能硬件技术一般包括如传感器
、
专用人工智能芯片
、
云计算
、
分布式存储
、
大数据处理等技术；人工智能软件技术主要包括计算机视觉技术
、
语音识别技术
、
自然语言处理技术以及机器学习
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种任务处理的方法，包括：确定目标城市中的多个城市区域；基于所述多个城市区域中的每一个城市区域的城市数据，确定所述多个城市区域各自的第一特征向量，其中，所述城市数据包括对应的城市区域的图像数据
、
兴趣点数据和路网数据中的至少一个；针对所述多个城市区域中的每一个城市区域，基于该城市区域的第一特征向量，确定该城市区域和多个预设语义簇之间的从属关系；针对所述多个预设语义簇中的每一个预设语义簇，基于该预设语义簇所包括的至少一个城市区域各自的第一特征向量，确定该预设语义簇的语义簇特征向量；基于所述多个预设语义簇中的每一个预设语义簇的语义簇特征向量，预测所述多个预设语义簇各自的伪标签，所述伪标签指示对应的预设语义簇是否包括目标类别的城市区域；基于所述多个预设语义簇各自的伪标签的预测结果以及所述多个城市区域中的目标城市区域和多个预设语义簇之间的从属关系，确定与所述目标城市区域对应的参数过滤矩阵；利用与所述目标城市区域对应的参数过滤矩阵对训练好的预测网络进行修正，以得到用于所述目标城市区域的预测网络，其中，用于所述目标城市区域的预测网络被配置为基于所述目标城市区域的第一特征向量，预测所述目标城市区域是否为所述目标类别的城市区域；以及将所述目标城市区域的第一特征向量输入用于所述目标城市区域的预测网络，以得到预测结果
。2.
根据权利要求1所述的方法，其中，所述多个城市区域中的每一个城市区域和所述多个预设语义簇之间的从属关系包括该城市区域属于所述多个预设语义簇中的每一个预设语义簇的概率，其中，确定与所述目标城市区域对应的参数过滤矩阵包括：分别将所述目标城市区域属于所述多个预设语义簇中的每一个预设语义簇的概率和该语义簇的伪标签的预测结果进行聚合，以得到所述目标城市区域的上下文特征向量；以及基于所述目标城市区域的上下文特征向量，确定与所述目标城市区域对应的参数过滤矩阵
。3.
根据权利要求2所述的方法，其中，所述伪标签的预测结果指示对应的预测语义簇包括所述目标类别的城市区域的概率
。4.
根据权利要求1‑3中任一项所述的方法，其中，与所述目标城市区域对应的参数过滤矩阵和所述预测网络中的至少一部分参数对应，其中，利用与所述目标城市区域对应的参数过滤矩阵对训练好的预测网络进行修正，以得到用于所述目标城市区域的预测网络包括：将所述预测网络的至少一部分参数替换为与所述目标城市区域对应的参数过滤矩阵和所述至少一部分参数的哈达玛积，以得到用于所述目标城市区域的预测网络
。5.
根据权利要求4所述的方法，其中，所述预测网络为多层感知机
。
6.
根据权利要求1‑5中任一项所述的方法，还包括：基于所述目标城市区域和所述多个预设语义簇的从属关系以及所述多个预设语义簇各自的语义簇特征向量，确定所述目标城市区域的第二特征向量；以及将所述目标城市区域的第一特征向量和第二特征向量进行聚合，以得到所述目标城市区域的聚合后的第一特征向量，其中，将所述目标城市区域的第一特征向量输入用于所述目标城市区域的预测网络，以得到预测结果包括：将所述目标城市区域的聚合后的第一特征向量输入用于所述目标城市区域的预测网络，以得到预测结果
。7.
根据权利要求1‑6中任一项所述的方法，还包括：利用训练好的图卷积网络对由所述多个预设语义簇构成的完全图进行处理，以更新所述多个预设语义簇中的每一个预设语义簇的语义簇特征向量
。8.
根据权利要求1‑7中任一项所述的方法，其中，针对所述多个预设语义簇中的每一个预设语义簇，基于该预设语义簇所包括的至少一个城市区域各自的第一特征向量，确定该预设语义簇的语义簇特征向量包括：针对所述多个预设语义簇中的每一个预设语义簇，将该预设语义簇所包括的至少一个城市区域的第一特征向量的总和确定为该预设语义簇的语义簇特征向量
。9.
根据权利要求1‑8中任一项所述的方法，还包括：确定所述多个城市区域之间的邻接关系；以及利用训练好的图注意力网络对包括所述多个城市区域和所述多个城市区域之间的邻接关系的城市区域图进行处理，以更新所述多个城市区域中的每一个城市区域的第一特征向量，并且其中，所述多个城市区域中满足以下多个条件中的至少一项的两个城市区域具有邻接关系：相邻的两个城市区域；以及在路网数据中小于预设距离的两个城市区域
。10.
根据权利要求1‑9中任一项所述的方法，其中，所述第一特征向量包括对应的城市区域的图像特征向量和所述对应的城市区域的兴趣点特征向量，其中，基于所述多个城市区域中的每一个城市区域的城市数据，确定所述多个城市区域各自的第一特征向量包括：基于所述多个城市区域中的每一个城市区域的图像数据，确定所述多个城市区域各自的图像特征向量；基于所述多个城市区域中的每一个城市区域的兴趣点数据，确定所述多个城市区域各自的兴趣点特征向量；以及针对所述多个城市区域中的每一个城市区域：基于该城市区域的图像特征向量和与该城市区域的周边城市区域的图像特征向量，确定该城市区域的图像
‑
图像特征向量；基于该城市区域的图像特征向量和与该城市区域的周边城市区域的兴趣点特征向量，确定该城市区域的图像
‑
兴趣点特征向量；基于该城市区域的兴趣点特征向量和与该城市区域的周边城市区域的图像特征向量，
确定该城市区域的兴趣点
‑
图像特征向量；基于该城市区域的兴趣点特征向量和与该城市区域的周边城市区域的兴趣点特征向量，确定该城市区域的兴趣点
‑
兴趣点特征向量；以及将该城市区域的图像
‑
图像特征向量
、
图像
‑
兴趣点特征向量
、
兴趣点
‑
图像特征向量
、
以及兴趣点
‑
兴趣点特征向量进行聚合，以得到该城市区域的第一特征向量
。11.
根据权利要求1‑
10
中任一项所述的方法，其中，所述目标类别的城市区域为城中村区域
。12.
一种神经网络的训练方法，其中，所述神经网络包括局部特征提取子网络
、
从属关系确定子网络
、
语义簇特征提取子网络
、
伪标签预测子网络
、
参数过滤矩阵生成子网络
、
以及预测子网络，所述方法包括：确定目标城市中的多个城市区域，其中，所述多个城市区域包括多个样本城市区域；获取所述多个样本城市区域各自的真实标签，所述真实标签指示对应的城市区域是否为目标类别的城市区域；分别将所述多个城市区域中的每一个城市区域的城市数据输入所述局部特征提取子网络，以得到所述多个城市区域各自的第一特征向量，其中，所述城市数据包括对应的城市区域的图像数据
、
兴趣点数据和路网数据中的至少一个；针对所述多个城市区域中的每一个城市区域，将该城市区域的第一特征向量输入所述从属关系确定子网络，以得到该城市区域和多个预设语义簇之间的从属关系；针对所述多个预设语义簇中的每一个预设语义簇，将该预设语义簇所包括的至少一个城市区域各自的第一特征向量输入所述语义簇特征提取子网络，以得到该预设语义簇的语义簇特征向量；获取所述多个预设语义簇各自的真实伪标签，所述真实伪标签指示对应的预设语义簇是否包括所述多个样本城市区域中的所述目标类别的城市区域；将所述多个预设语义簇中的每一个预设语义簇的语义簇特征向量输入所述伪标签预测子网络，以得到所述多个预设语义簇各自的预测伪标签；针对所述多个样本城市区域中的每一个样本城市区域，将所述多个预设语义簇各自的预测伪标签以及该样本城市区域和多个预设语义簇之间的从属关系输入所述参数过滤矩阵生成子网络，以得到与该样本城市区域对应的参数过滤矩阵；针对所述多个样本城市区域中的每一个样本城市区域，利用与该样本城市区域对应的参数过滤矩阵对预测子网络进行修正，以得到用于该样本城市区域的预测子网络，其中，用于该样本城市区域的预测子网络被配置为基于该样本城市区域的第一特征向量，预测该样本城市区域是否为所述目标类别的城市区域；针对所述多个样本城市区域中的每一个样本城市区域，将该样本城市区域的第一特征向量输入用于该样本城市区域的预测子网络，以得到该样本城市区域的预测标签；基于所述多个样本城市区域各自的真实标签
、
所述多个样本城市区域各自的预测标签
、
所述多个预设语义簇各自的真实伪标签
、
以及所述多个预设语义簇各自的预测伪标签，确定损失值；以及基于所述损失值，训练所述神经网络
。13.
根据权利要求
12
所述的方法，其中，所述多个城市区域中的每一个城市区域和所述
多个预设语义簇之间的从属关系包括该城市区域属于所述多个预设语义簇中的每一个预设语义簇的概率，其中，所述参数过滤矩阵生成子网络被配置为：针对所述多个样本城市区域中的每一个样本城市区域，分别将该样本城市区域属于所述多个预设语义簇中的每一个预设语义簇的概率和该语义簇的预测伪标签进行聚合，以得到该样本城市区域的上下文特征向量...

【专利技术属性】
技术研发人员：肖淙曦，周景博，黄际洲，祝恒书，窦德景，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：