[发明专利]地图兴趣点数据处理方法、装置、电子设备以及可读介质

权利要求书

1.一种地图兴趣点数据处理方法，包括：

获取目标招牌图像；

利用卷积神经网络对所述目标招牌图像进行特征提取，以得到所述目标招牌图像的第一特征向量；

分别确定所述第一特征向量与兴趣点数据库中的多个第二特征向量之间的相似度；以及

响应于确定所述第一特征向量与所述多个第二特征向量中的某一第二特征向量之间的相似度大于相似度阈值，将所述目标招牌图像与该第二特征向量对应的兴趣点相关联。

2.根据权利要求1所述的方法，还包括：

获取所述目标招牌图像的拍摄位置的地理坐标，

其中，所述多个第二特征向量是利用所述卷积神经网络对所述地理坐标的预定距离范围内的多个兴趣点的多个招牌图像进行特征提取而得到的。

3.根据权利要求1所述的方法，其中，所述卷积神经网络通过执行针对多任务学习的多次训练过程而被训练得到，以使得从同一兴趣点的来自不同数据源的招牌图像提取出的特征向量之间的相似度大于第一相似度阈值，并且从不同兴趣点的招牌图像提取出的特征向量之间的相似度小于第二相似度阈值。

4.根据权利要求3所述的方法，

其中，所述多任务学习包括文本检测学习和相似度度量学习，

其中，每次训练过程包括：

获取训练样本，所述训练样本包含至少三个样本招牌图像，所述至少三个样本招牌图像来自至少两个不同的数据源，并且所述至少三个样本招牌图像中的至少两个图像对应于同一个兴趣点；

将所述训练样本输入所述卷积神经网络，以得到所述至少三个样本招牌图像的相应特征向量；以及

将所述相应特征向量输入文本检测子网络和相似度度量子网络，以基于所述相应特征向量进行所述多任务学习，

其中，所述文本检测子网络用于基于所述相应特征向量，检测所述至少三个样本招牌图像中的文本区域，并且所述相似度度量子网络用于基于所述相应特征向量，度量所述至少三个样本招牌图像之间的相似度。

5.根据权利要求4所述的方法，

其中，所述多任务学习包括文本检测学习、相似度度量学习和源间分类学习，

其中，每次训练过程包括：

获取训练样本，所述训练样本包含至少三个样本招牌图像，所述至少三个样本招牌图像来自至少两个不同的数据源，并且所述至少三个样本招牌图像中的至少两个图像对应于同一个兴趣点；

将所述训练样本输入所述卷积神经网络，以得到所述至少三个样本招牌图像的相应特征向量；以及

将所述相应特征向量输入文本检测子网络、相似度度量子网络和源间分类子网络，以基于所述相应特征向量进行所述多任务学习，

其中，所述文本检测子网络用于基于所述相应特征向量，检测所述至少三个样本招牌图像中的文本区域，所述相似度度量子网络用于基于所述相应特征向量，度量所述至少三个样本招牌图像之间的相似度，并且所述源间分类子网络用于基于所述相应特征向量，识别所述至少三个样本招牌图像所来自的数据源。

6.根据权利要求4或5所述的方法，其中，所述卷积神经网络包括至少一个卷积层，所述相应特征向量由所述至少一个卷积层中最后一个卷积层输出。

7.根据权利要求4或5所述的方法，其中，所述卷积神经网络包括至少一个卷积层和全连接层，所述相应特征向量由所述全连接层输出。

8.根据权利要求1所述的方法，在分别确定所述第一特征向量与所述兴趣点数据库中的多个第二特征向量之间的相似度前，还包括：

利用所述卷积神经网络对所述兴趣点数据库中的多个兴趣点的多个历史招牌图像进行特征提取，以得到所述多个历史招牌图像的相应第二特征向量；以及

将所述多个兴趣点、所述多个历史招牌图像和所述相应第二特征向量相关联地存储在所述兴趣点数据库中，

其中，所述相应第二特征向量包括所述兴趣点数据库中的所述多个第二特征向量。

9.根据权利要求1所述的方法，其中，所述相似度包括欧氏距离或余弦距离。