特征提取模型训练方法和装置与流程

本公开涉及人工智能，具体为深度学习。

背景技术：

1、在科技飞速发展的社会背景下，地图的导航和定位功能早已融入人们的日常生活，成为人们出行必备的移动应用功能。传统的移动端地图通常以二维信息来展示。虽然能够满足大部分用户的日常需求，但是对于高层建筑、复杂建筑群等场景无法精准定位。例如在商场里，卫星定位无法准确定位到楼层和具体位置，导致进入商场后地图导航定位功能基本失效。又例如在室外复杂岔路口，高层建筑密集，卫星定位精度误差造成用户迷路等问题。

2、室内外精准定位的现有技术方案有蓝牙定位、图像识别与跟踪和视觉连续定位等多种技术。其中，蓝牙定位依赖于场景中蓝牙设备的预先布置，融合卫星和惯性传感器的数据，给出在室内外复杂环境下的实时精准的定位结果。图像识别与跟踪依赖于移动设备拥有相机，利用相机回传的实时图像，做图像特征点的提取与匹配，然后融合惯性传感器进行连续实时定位跟踪。视觉连续定位技术依赖于移动设备拥有相机，利用相机回传的实时图像，做光流法跟踪，然后融合惯性传感器进行连续实时定位跟踪。

技术实现思路

1、本公开实施例提出了一种特征提取模型训练方法、装置、设备、存储介质以及程序产品。

2、第一方面，本公开实施例提出了一种特征提取模型训练方法，包括：基于位置信息对样本无线访问点ap数据与样本兴趣点poi数据进行配对，得到样本ap-poi数据对；对样本ap-poi数据对进行特征提取，得到样本ap-poi联合特征；将样本ap-poi数据对输入至深度神经网络，得到预测ap-poi联合特征；基于样本ap-poi联合特征和预测ap-poi联合特征，计算损失；基于损失调整深度神经网络的参数，得到特征提取模型。

3、第二方面，本公开实施例提出了一种特征提取方法，包括：基于位置信息对ap数据集合与poi数据集合进行配对，得到ap-poi数据对集合；将ap-poi数据对集合输入至特征提取模型，得到ap-poi联合特征集合，其中，特征提取模型是以样本ap-poi数据对为输入，以样本ap-poi联合特征为目标输出，对深度神经网络进行训练得到的。

4、第三方面，本公开实施例提出了一种定位方法，包括：确定当前ap数据序列所处的当前地图网格；计算ap-poi联合特征集合中处于当前地图网格的ap-poi联合特征与当前ap数据序列的相似度；基于相似度，从处于当前地图网格的ap-poi联合特征中确定当前ap数据序列对应的ap-poi联合特征；基于当前ap数据序列对应的ap-poi联合特征，生成语义化定位结果。

5、第四方面，本公开实施例提出了一种特征提取模型训练装置，包括：配对模块，被配置成基于位置信息对样本无线访问点ap数据与样本兴趣点poi数据进行配对，得到样本ap-poi数据对；提取模块，被配置成对样本ap-poi数据对进行特征提取，得到样本ap-poi联合特征；预测模块，被配置成将样本ap-poi数据对输入至深度神经网络，得到预测ap-poi联合特征；计算模块，被配置成基于样本ap-poi联合特征和预测ap-poi联合特征，计算损失；调整模块，被配置成基于损失调整深度神经网络的参数，得到特征提取模型。

6、第五方面，本公开实施例提出了一种特征提取装置，包括：配对模块，被配置成基于位置信息对ap数据集合与poi数据集合进行配对，得到ap-poi数据对集合；提取模块，被配置成将ap-poi数据对集合输入至特征提取模型，得到ap-poi联合特征集合，其中，特征提取模型是以样本ap-poi数据对为输入，以样本ap-poi联合特征为目标输出，对深度神经网络进行训练得到的。

7、第六方面，本公开实施例提出了一种定位装置，包括：第一确定模块，被配置成确定当前ap数据序列所处的当前地图网格；计算模块，被配置成计算ap-poi联合特征集合中处于当前地图网格的ap-poi联合特征与当前ap数据序列的相似度；第二确定模块，被配置成基于相似度，从处于当前地图网格的ap-poi联合特征中确定当前ap数据序列对应的ap-poi联合特征；生成模块，被配置成基于当前ap数据序列对应的ap-poi联合特征，生成语义化定位结果。

8、第七方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面或第二方面或第三方面描述的方法。

9、第八方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面或第二方面或第三方面描述的方法。

10、第九方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面或第二方面或第三方面描述的方法。

11、本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种特征提取模型训练方法，包括：

2.根据权利要求1所述的方法，其中，所述基于位置信息对样本无线访问点ap数据与样本兴趣点poi数据进行配对，得到样本ap-poi数据对，包括：

3.根据权利要求2所述的方法，其中，所述方法还包括：

4.根据权利要求2所述的方法，其中，所述方法还包括：

5.根据权利要求1所述的方法，其中，所述对所述样本ap-poi数据对进行特征提取，得到样本ap-poi联合特征，包括：

6.根据权利要求5所述的方法，其中，所述对所述样本ap-poi数据对中的样本ap数据和样本poi数据分别进行特征提取，得到样本ap特征和样本poi特征，包括：

7.根据权利要求6所述的方法，其中，在所述对所述样本ap-poi数据对中的样本ap数据和样本poi数据分别进行主干字段提取，得到所述样本ap特征和所述样本poi特征之前，还包括：

8.根据权利要求6所述的方法，其中，在所述对所述样本ap-poi数据对中的样本ap数据和样本poi数据分别进行主干字段提取，得到所述样本ap特征和所述样本poi特征之前，还包括：

9.一种特征提取方法，包括：

10.根据权利要求9所述的方法，其中，所述基于位置信息对ap数据集合与poi数据集合进行配对，得到ap-poi数据对集合，包括：

11.根据权利要求9所述的方法，其中，所述方法还包括：

12.一种定位方法，包括：

13.根据权利要求12所述的方法，其中，所述ap-poi联合特征集合是利用特征提取模型对ap-poi数据对集合进行特征提取得到的。

14.一种特征提取模型训练装置，包括：

15.根据权利要求14所述的装置，其中，所述配对模块进一步被配置成：

16.根据权利要求15所述的装置，其中，所述装置还包括：

17.根据权利要求15所述的装置，其中，所述装置还包括：

18.根据权利要求14所述的装置，其中，所述提取模块包括：

19.根据权利要求18所述的装置，其中，所述提取子模块进一步被配置成：

20.根据权利要求19所述的装置，其中，所述提取子模块进一步被配置成：

21.根据权利要求19所述的装置，其中，所述提取子模块进一步被配置成：

22.一种特征提取装置，包括：

23.根据权利要求22所述的装置，其中，所述配对模块进一步被配置成：

24.根据权利要求22所述的装置，其中，所述装置还包括：

25.一种定位装置，包括：

26.根据权利要求25所述的装置，其中，所述ap-poi联合特征集合是利用特征提取模型对ap-poi数据对集合进行特征提取得到的。

27.一种电子设备，包括：

28.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-8或9-11或12-13中任一项所述的方法。

29.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8或9-11或12-13中任一项所述的方法。

技术总结本公开提供了一种特征提取模型训练方法和装置，涉及人工智能技术领域，具体为深度学习技术领域。该方法的一具体实施方式包括：基于位置信息对样本无线访问点AP数据与样本兴趣点POI数据进行配对，得到样本AP‑POI数据对；对样本AP‑POI数据对进行特征提取，得到样本AP‑POI联合特征；将样本AP‑POI数据对输入至深度神经网络，得到预测AP‑POI联合特征；基于样本AP‑POI联合特征和预测AP‑POI联合特征，计算损失；基于损失调整深度神经网络的参数，得到特征提取模型。该实施方式训练出特征提取模型可以快速地提取出AP‑POI数据对的联合特征，提高了特征提取效率。技术研发人员：安传旭受保护的技术使用者：北京百度智图科技有限公司技术研发日：技术公布日：2024/9/12