【技术实现步骤摘要】
本专利技术涉及一种地图位置缺失识别方法，尤其涉及一种高效的自底向上的地图位置缺失识别方法。
技术介绍
1、近年来，“问题地图”现象越来越严重，主要问题之一在于位置缺失和颜色不一致，针对上述问题，目前已有的解决方案包括使用目标检测以及基于关键点的两阶段方法。但基于目标检测技术来进行地图关键位置的缺失检测方法容易受到很多因素的干扰，从而并不能很好的解决地图位置缺失检测的问题。虽然基于先检测地图边框再进行地图关键点检测的方法可以较好地判别地图关键位置是否缺失，但是互联网等各种媒介包含着海量的数据，在处理地图缺失检测问题时不仅要考虑精度，同时也要考虑效率。两阶段式方法虽然有着较高的精度，但是需要较大的计算量和参数量，推理速度较慢且需要耗费的硬件资源较多，花费了较高的成本。
技术实现思路
1、为了解决上述技术所存在的不足之处，本专利技术提供了一种高效的自底向上的地图位置缺失识别方法。
2、为了解决以上技术问题，本专利技术采用的技术方案是：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：
3、s1、数据准备，包括训练数据的收集、获取以及标注；
4、s2、地图关键点检测模型的训练，训练过程为：
5、s21、数据处理：将数据预处理后组合为用于训练的mini-batch；
6、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；
7、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
8、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计算来反向传播进行模型优化；
9、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；
10、s3、对s25输出的地图关键点检测模型进行量化；
11、s4、地图关键点检测模型推理，输出地图位置缺失识别结果。
12、作为优选地，基于互联网真实图像数据，通过训练好的cnn分类模型来获取输入数据的类别，将类别为地图的数据进行收集整理。
13、作为优选地，借助标注工具对地图数据进行地图关键点的标注；地图关键点的标注信息包含每个关键位置的坐标信息，当一张图片中同时包含多个地图样本时，标注信息还包括关键点的分组信息，即指示哪些关键点属于同一个地图样本。
14、作为优选地，关键点检测模型的训练数据集构建过程为：在标注了至少4000条地图关键点数据后进行地图关键点检测模型的训练，然后使用训练好的关键点检测模型在未标注数据上进行推理，之后人工对模型预测的关键点结果进行微调修正；最终将这两部分标注数据汇总作为模型的训练数据集。
15、作为优选地，s21中，数据预处理方式包括但不限于图片的颜色变换、尺寸缩放、像素归一化；
16、预处理过的图片组合得到用于训练的mini-batch，每一个mini-batch包含32张图像。
17、作为优选地，s22中，特征提取使用高分辨率网络结构，首先生成一个高分辨率的特征，然后进行反卷积操作，生成一个分辨率是前者两倍的特征；在训练时，在这两个尺度的特征上同时进行监督。
18、作为优选地，s23中，属于同一组的关键点的嵌入向量差值小于1，根据此可以将所有关键点进行分组；根据分组结果，取出每一组中每一个通道的热图，执行3×3最大池化操作来获取该地图的所有预设关键位置的关键点坐标和得分。
19、作为优选地，s24中，预测结果包括所有地图样本的各个关键点的坐标、得分以及嵌入向量，关键点热图的损失使用均方差损失函数：
20、
21、其中，分别为真实标签和预测的标签，n为总的目标数量；对于每一个地图样本来说，n为17。
22、在得到关键点预测坐标后，与对应的真实标注的关键点坐标进行均方差损失的计算，之后将所有关键点的损失相加取平均，作为该地图样本的关键点的损失。
23、嵌入向量的损失使用分组损失函数：
24、
25、
26、其中，为第n个地图样本的第k个关键点的真实标注（该点的位置坐标），为预测的第k个关键点的热图，为像素位置x的标记tag的值（即嵌入向量的值），为权重参数，第n个地图样本的参考嵌入向量，则为除第n个地图样本外的另一地图样本的参考嵌入向量。
27、总的损失为热图损失和嵌入向量损失的加权和，具体如下：
28、
29、其中，为嵌入向量使用的分组损失，为热图使用的均方差损失。
30、作为优选地，模型的量化流程为：将模型转换为中间形式，使用onnx形式；在得到onnx模型后需要进行简化，最后基于简化后的onnx模型进行tensorrt模型量化，最终输出量化后的模型权重。
31、作为优选地，模型推理过程为：
32、s41、对于获取到的待检测地图图像进行预处理；
33、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；
34、s43、基于嵌入向量将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；
35、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；循环此步骤直至所有关键点都判别完成；
36、s45、汇总判别结果进行输出。
37、本专利技术公开了一种高效的自底向上的地图位置缺失识别方法，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，先检测地图关键点，得益于关键点热图的中间表示形式，由底层向上层推理，使得本方法有着较高的精度和速度，能够处理地图图像数据的各种复杂情况。更重要的是，本方法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。
本文档来自技高网...【技术保护点】
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：
2.根据权利要求1所述的高效的自底向上的地图位置缺失识别方法，其特征在于：基于互联网真实图像数据，通过训练好的CNN分类模型来获取输入数据的类别，将类别为地图的数据进行收集整理。
3.根据权利要求2所述的高效的自底向上的地图位置缺失识别方法，其特征在于：借助标注工具对地图数据进行地图关键点的标注；地图关键点的标注信息包含每个关键位置的坐标信息，当一张图片中同时包含多个地图样本时，标注信息还包括关键点的分组信息，即指示哪些关键点属于同一个地图样本。
4.根据权利要求1所述的高效的自底向上的地图位置缺失识别方法，其特征在于：关键点检测模型的训练数据集构建过程为：在标注了至少4000条的地图关键点数据后进行地图关键点检测模型的训练，然后使用训练好的关键点检测模型在未标注数据上进行推理，之后人工对模型预测的关键点结果进行微调；最终将这两部分标注数据汇总作为模型的训练数据集。
5.根据权利要求1所述的高效的自底向上的地图位置缺失识别方法，其特征在于：S21中，数据预处理
6.根据权利要求5所述的高效的自底向上的地图位置缺失识别方法，其特征在于：S22中，特征提取使用高分辨率网络结构，首先生成一个高分辨率的特征，然后进行反卷积操作，生成一个分辨率是前者两倍的特征；在训练时，在这两个尺度特征上同时进行监督。
7.根据权利要求6所述的高效的自底向上的地图位置缺失识别方法，其特征在于：S23中，属于同一组的关键点的嵌入向量差值小于1，根据此可以将所有关键点进行分组；根据分组结果，取出每一组中每一个通道的热图，执行3×3最大池化操作来获取该地图的所有预设关键位置的关键点坐标和得分。
8.根据权利要求7所述的高效的自底向上的地图位置缺失识别方法，其特征在于：S24中，预测结果包括所有地图样本的各个关键点的坐标、得分以及嵌入向量。关键点热图的损失使用均方差损失函数：
9.根据权利要求1所述的高效的自底向上的地图位置缺失识别方法，其特征在于：模型的量化流程为：将模型转换为中间形式，使用ONNX形式；在得到ONNX模型后需要进行简化，最后基于简化后的ONNX模型进行TensorRT模型量化，最终输出量化后的模型权重。
10.根据权利要求8所述的高效的自底向上的地图位置缺失识别方法，其特征在于：模型推理过程为：
...【技术特征摘要】
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：
2.根据权利要求1所述的高效的自底向上的地图位置缺失识别方法，其特征在于：基于互联网真实图像数据，通过训练好的cnn分类模型来获取输入数据的类别，将类别为地图的数据进行收集整理。
3.根据权利要求2所述的高效的自底向上的地图位置缺失识别方法，其特征在于：借助标注工具对地图数据进行地图关键点的标注；地图关键点的标注信息包含每个关键位置的坐标信息，当一张图片中同时包含多个地图样本时，标注信息还包括关键点的分组信息，即指示哪些关键点属于同一个地图样本。
4.根据权利要求1所述的高效的自底向上的地图位置缺失识别方法，其特征在于：关键点检测模型的训练数据集构建过程为：在标注了至少4000条的地图关键点数据后进行地图关键点检测模型的训练，然后使用训练好的关键点检测模型在未标注数据上进行推理，之后人工对模型预测的关键点结果进行微调；最终将这两部分标注数据汇总作为模型的训练数据集。
5.根据权利要求1所述的高效的自底向上的地图位置缺失识别方法，其特征在于：s21中，数据预处理方式包括但不限于图片的颜色变换、尺寸缩放、像素归一化；
6.根据权利要...
【专利技术属性】
技术研发人员：王帅，王坚，张朝，余昊楠，
申请(专利权)人：人民中科北京智能技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。