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；基于所述多个城市区域中的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；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，以得到该城市区域的第三特征向量；以及基于所述目标城市区域的第三特征向量，得到任务处理结果
。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，基于所述多个城市区域中的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包括：基于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将所述多个预设语义簇各自的语义簇特征向量进行聚合，以得到所述目标城市区域的第二特征向量
。3.
根据权利要求2所述的方法，其中，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包括：将所述多个预设语义簇中与该城市区域对应的概率最高的预设语义簇确定为包括该城市区域的预设语义簇
。4.
根据权利要求1‑3中任一项所述的方法，还包括：针对所述多个预设语义簇中的每一个目标预设语义簇，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和每一个预设语义簇关于该目标预设语义簇的权重，更新该目标预设语义簇的语义簇特征向量
。5.
根据权利要求4所述的方法，其中，针对所述多个预设语义簇中的每一个目标预设语义簇，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和每一个预设语义簇关于该目标预设语义簇的权重，更新该目标预设语义簇的语义簇特征向量包括：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成图进行处理，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
。6.
根据权利要求1‑5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：
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的总和确定为该预设语义簇的语义簇特征向量
。7.
根据权利要求1‑6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；以及针对所述多个城市区域中的每一个城市区域，基于与该城市区域具有邻接关系的一个或多个城市区域各自的第一特征向量，更新该城市区域的第一特征向量
。8.
根据权利要求7所述的方法，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
。9.
根据权利要求7所述的方法，其中，针对所述多个城市区域中的每一个城市区域，基于与该城市区域具有邻接关系的一个或多个城市区域各自的第一特征向量，更新该城市区域的第一特征向量包括：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
。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，确定该城市区域的图像特征向量；以及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，确定该城市区域的兴趣点特征向量
。11.
根据权利要求
10
所述的方法，其中，所述兴趣点特征向量包括以下多项中的至少一者：第一兴趣点特征子向量，所述第一兴趣点特征子向量指示所述对应的城市区域内的兴趣点类别分布直方图和所述对应的城市区域的周边城市区域的兴趣点类别分布直方图中的至少一个，所述兴趣点类别分布直方图指示对应的区域内第一预设类别集中的每一个预设类别的兴趣点的数量占比；第二兴趣点特征子向量，所述第二兴趣点特征子向量指示所述对应的城市区域分别和第二预设类别集中的每一个预设类别的兴趣点的最近距离；以及第三兴趣点特征子向量，所述第三兴趣点特征子向量指示所述对应的城市区域周边的预设范围内是否包括第三预设类别集中的每一个预设类别的兴趣点
。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
、
全局特征提取子网络
、
聚合层
、
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；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；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输入所述全局特征提取子网络，以得到该样...

【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：