CN114283343B - 基于遥感卫星图像的地图更新方法、训练方法和设备 - Google Patents

Abstract

本公开提供了一种基于遥感卫星图像的地图更新方法、训练方法和设备，涉及数据处理领域，尤其涉及路网技术领域。具体实现方案为：获取遥感卫星图像；对遥感卫星图像进行语义分割处理，得到第一拓扑图，第一拓扑图包括遥感卫星图像所对应的位置上的道路；并根据遥感卫星图像，确定三维张量图，三维张量图表征遥感卫星图像所对应的位置上的道路的编码信息；对三维张量图进行解码处理，得到第二拓扑图，其中，第二拓扑图包括遥感卫星图像所对应的位置上的道路；根据第一拓扑图和第二拓扑图，确定道路拓扑图，并根据道路拓扑图更新地图。

Description

基于遥感卫星图像的地图更新方法、训练方法和设备

技术领域

本公开涉及数据处理领域中的路网技术领域，尤其涉及一种基于遥感卫星图像的地图更新方法、训练方法和设备。

背景技术

随着移动互联网和智能设备的发展，地图已经成为人们出行的重要依据。路网中的道路会发生变化，进而需要对地图进行更新。

现有技术中，可以人工的根据采集设备采集道路的数据，然后基于道路的数据对地图进行更新。

然而现有技术中，人工采集道路的数据需要耗费大量的人力和物力，进而导致更新地图的成本较高；并且，上述方式的作业效率较低且容易出现错误，导致地图更新不及时、地图更新错误。

发明内容

本公开提供了一种基于遥感卫星图像的地图更新方法、训练方法和设备。

根据本公开的第一方面，提供了一种基于遥感卫星图像的地图更新方法，包括：

获取遥感卫星图像；

对所述遥感卫星图像进行语义分割处理，得到第一拓扑图，所述第一拓扑图包括所述遥感卫星图像所对应的位置上的道路；并根据所述遥感卫星图像，确定三维张量图，所述三维张量图表征所述遥感卫星图像所对应的位置上的道路的编码信息；

对所述三维张量图进行解码处理，得到第二拓扑图，其中，所述第二拓扑图包括所述遥感卫星图像所对应的位置上的道路；

根据所述第一拓扑图和所述第二拓扑图，确定道路拓扑图，并根据所述道路拓扑图更新地图。

根据本公开的第二方面，提供了一种应用于地图更新的图编码模型的训练方法，包括：

获取多个待训练的遥感卫星图像，所述待训练的遥感卫星图像具有标准的三维张量图；

重复以下各步骤，直至达到预设条件：将所述待训练的遥感卫星图像输入至图编码模型中，得到预测的三维张量图，所述预测的三维张量图表征所述待训练的遥感卫星图像所对应的位置上的道路的编码信息；根据所述预测的三维张量图和所述标准的三维张量图对所述图编码模型进行参数调整；

其中，达到预设条件所得到的图编码模型，用于确定本公开的第一方面所述方法中的遥感卫星图像的三维张量图。

根据本公开的第三方面，提供了一种基于遥感卫星图像的地图更新装置，包括：

获取单元，用于获取遥感卫星图像；

第一确定单元，用于对所述遥感卫星图像进行语义分割处理，得到第一拓扑图，所述第一拓扑图包括所述遥感卫星图像所对应的位置上的道路；并根据所述遥感卫星图像，确定三维张量图，所述三维张量图表征所述遥感卫星图像所对应的位置上的道路的编码信息；

第二确定单元，用于对所述三维张量图进行解码处理，得到第二拓扑图，其中，所述第二拓扑图包括所述遥感卫星图像所对应的位置上的道路；

第三确定单元，用于根据所述第一拓扑图和所述第二拓扑图，确定道路拓扑图，并根据所述道路拓扑图更新地图。

根据本公开的第四方面，提供了一种应用于地图更新的图编码模型的训练装置，包括：

第一获取单元，用于获取多个待训练的遥感卫星图像，所述待训练的遥感卫星图像具有标准的三维张量图；

第一确定单元，用于重复以下各步骤，直至达到预设条件：将所述待训练的遥感卫星图像输入至图编码模型中，得到预测的三维张量图，所述预测的三维张量图表征所述待训练的遥感卫星图像所对应的位置上的道路的编码信息；根据所述预测的三维张量图和所述标准的三维张量图对所述图编码模型进行参数调整；

其中，达到预设条件所得到的图编码模型，用于确定本公开的第三方面所述装置中的遥感卫星图像的三维张量图。

根据本公开的第五方面，提供了一种计算机设备，包括：至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面或者第二方面所述的方法。

根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行第一方面或者第二方面所述的方法。

根据本公开的第七方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，计算机设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得计算机设备执行第一方面或者第二方面所述的方法。

根据本公开的技术解决了由于人工采集道路数据导致的更新地图成本较高以及地图更新错误的问题。

应当理解，本部分所描述的内容并非旨在标识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。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第一实施例的一种遥感卫星图像的示意图；

图3是根据本公开第二实施例的示意图；

图4是根据本公开第二实施例的一种局部特征图生成过程的示意图；

图5是根据本公开第三实施例的示意图；

图6是根据本公开第四实施例的示意图；

图7是根据本公开第四实施例的一种用户对待训练的遥感卫星图像中的道路关键点进行标注后的示意图；

图8是根据本公开第四实施例的一种道路关键点的像素点的相邻的其他道路关键点的个数统计示意图；

图9是根据本公开第四实施例的一种待训练的遥感卫星图像的每一像素点的编码数据以及三维张量图；

图10是根据本公开第五实施例的示意图；

图11是根据本公开第六实施例的示意图；

图12是根据本公开第七实施例的示意图；

图13是根据本公开第八实施例的示意图；

图14是根据本公开第九实施例的示意图；

图15是根据本公开第十实施例的示意图；

图16是用来实现本公开实施例的基于遥感卫星图像的地图更新方法的计算机设备的框图；

图17是用来实现本公开实施例的应用于地图更新的图编码模型的训练方法的计算机设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开适用于采集地图信息的场景下，当前的地图信息中可能会缺失一些道路信息，尤其是内部道路，即小区内的一些道路。若单独采用语义分割处理遥感卫星图像，或者单独采用图编码处理遥感卫星图像，均会出现召回的地图信息不全面的问题。

本公开提供一种基于遥感卫星图像的地图更新方法、训练方法和设备，应用于数据处理领域中的路网技术领域，以解决由于人工采集道路数据导致的更新地图成本较高以及地图更新错误的问题。

图1是根据本公开第一实施例的示意图，如图1所示，图1示出的是一种基于遥感卫星图像的地图更新方法，该方法包括：

S101、获取遥感卫星图像。

示例性地，遥感卫星图像是指记录各种地物电磁波大小的胶片或照片，具有很高的分辨率，其中，分辨率包括空间分辨率、光谱分辨率、辐射分辨率和时间分辨率。其中，空间分辨率是遥感卫星图像上能够详细区分的最小单元的尺寸或大小，或指遥感器区分两个目标的最小角度或线性距离的度量。光谱分辨率是指遥感器接收目标辐射时能分辨的最小波间隔。辐射分辨率是遥感器感测元件在接收光谱信号时能分辨的最小辐射度差。时间分辨率是关于遥感卫星图像间隔时间的一项性能指标。

S102、对遥感卫星图像进行语义分割处理，得到第一拓扑图，第一拓扑图包括遥感卫星图像所对应的位置上的道路；并根据遥感卫星图像，确定三维张量图，三维张量图表征遥感卫星图像所对应的位置上的道路的编码信息。

示例性地，语义分割处理是指对遥感卫星图像按照区域进行分割，每一个区域由具备同一个属性的像素点组成。其中，语义分割处理可以分为编码器网络和解码器网络，编码器网络是一个预先训练的分类网络，解码器网络是将编码器学习到的识别特征语义投影到像素空间上，得到密集的分类。进一步地，语音分割处理不仅需要在像素级别上进行区分，还需要一种机制将编码器不同阶段学习到的区分特征投影到像素空间上。例如，图2示出了一种遥感卫星图像的示意图。分析图2的遥感卫星图像可以看到地面的道路结构。

图2中所示出的遥感卫星图像经过语义分割处理后，可以得到第一拓扑图。其中，第一拓扑图能够表征遥感卫星图像中道路和背景的界限。

本实施例中，三维张量图表征遥感卫星图像所对应的位置上的道路的编码信息。三维张量图是指由三个部分组成的图像，可以表征遥感卫星图像的参数。第一个部分可以表征当前的像素点是否为道路关键点，第二个部分可以表征当前的像素点是否存在相邻的道路关键点，第三个部分可以表征当前的像素点与其他像素点之间的位置关系，其中，位置关系可以是当前的像素点与其他像素点的位置偏移量。

S103、对三维张量图进行解码处理，得到第二拓扑图，其中，第二拓扑图包括遥感卫星图像所对应的位置上的道路。

示例性地，对三维张量图进行解码处理的过程为将三维张量图的三个部分的编码数据位按照每一个部分的编码数据位的含义进行反向解释，得到第二拓扑图。其中，第二拓扑图也能够表征遥感卫星图像中道路和背景的界限。

S104、根据第一拓扑图和第二拓扑图，确定道路拓扑图，并根据道路拓扑图更新地图。

示例性地，将第一拓扑图和第二拓扑图进行比较，确定两者之间的差异，根据两者的差异，得到道路拓扑图。在得到道路拓扑图后，将最新的道路拓扑图更新地图。

本公开提供一种基于遥感卫星图像的地图更新方法，包括：获取车辆在历史轨迹上的历史定位信息，根据帧的全局定位信息所指示的与帧对应的定位信号的强度，确定帧的权重信息，根据帧的全局定位信息、帧间定位信息以及权重信息，确定帧的优化定位信息。通过该技术方案，能够解决由于人工采集道路数据导致的更新地图成本较高以及地图更新错误的问题。

图3是根据本公开第二实施例的示意图，如图3所示，图3示出的是一种基于遥感卫星图像的地图更新方法，该方法包括：

S301、获取遥感卫星图像。

示例性地，本步骤可以参见步骤S101，在此不再赘述。

S302、对遥感卫星图像进行语义分割处理，得到第一拓扑图，第一拓扑图包括遥感卫星图像所对应的位置上的道路。

示例性地，本步骤可以参见步骤S102，在此不再赘述。

S303、将遥感卫星图像输入至图编码模型中，得到三维张量图；其中，图编码模型为基于具有标准的三维张量图的遥感卫星图像进行训练所得到的。

示例性地，图编码模型是用于输出三维张量图的模型，将多张待识别的遥感卫星图像输入至图编码模型中，可以分别得到与每一张待识别的遥感卫星图像对应的三维张量图。其中，图编码模型是预先进行训练得到的。这样设置的好处是能够使用图编码模型实现端对端的输入和输出，能够快速地输出与遥感卫星图像对应的三维张量图。

示例性地，将遥感卫星图像输入至图编码模型中，得到三维张量图，包括：

基于图编码模型对遥感卫星图像进行特征提取，得到全局特征图和局部特征图；其中，全局特征图表征遥感卫星图像的全局特征，局部特征图表征遥感卫星图像的道路特征；

基于图编码模型对全局特征图和局部特征图进行特征融合，得到融合后的特征图；

根据融合后的特征图，生成三维张量图。

示例性地，全局特征图是用于描述遥感卫星图像的颜色特征、纹理特征和/或形状特征的整体特征。局部特征图是用于描述遥感卫星图像局部的特征，具体的，可以是从遥感卫星图像中提取的特征，包括边缘、角点、线、曲线和特殊属性的区域等。局部特征图具备特征间相关度小，遮挡情况下不会因为部分局部特征的消失而影响其他局部特征的检测和匹配。将全局特征图和局部特征图通过图编码模型进行融合，融合后的特征图是由全局特征图和局部特征图组成的，融合后的特征图并未对全局特征图和局部特征图进行修改，只是将两者作为一个整体。根据融合后的特征图，将该张遥感卫星图像生成对应的三维张量图。这样设置的好处是能够充分结合遥感卫星图像的全局特征和局部特征，使得生成的三维张量图的信息更加准确和丰富。

示例性地，基于图编码模型对遥感卫星图像进行特征提取，得到全局特征图和局部特征图，包括：

基于图编码模型对遥感卫星图像进行特征提取，得到全局特征图；

对全局特征图进行二值化处理，得到二值化的特征图，二值化的特征图中包括道路的特征；

基于二值化的特征图中的道路点，在全局特征图中确定与道路点对应的道路位置区域；并根据与道路点对应的道路位置区域，生成局部特征图。

示例性地，在获取到全局特征图后，对全局特征图进行二值化处理，将全局特征图中道路点取为1，将全局特征图中非道路点取为0，得到二值化的特征图，并在二值化的特征图中任意选取一个道路点，在全局特征图找到对应的道路点，以该道路点确定道路位置区域，其中，道路位置区域的数量和形状不进行限制。例如，道路位置区域可以是以该道路点为圆心，以预设的距离为半径确定的圆，将这个圆作为该道路点的道路位置区域。还可以是以该道路点为质心，以预设的范围作4个矩形，将上述4个矩形作为该道路点的道路位置区域。值得注意的是，道路位置区域是包含该道路点的一个范围，该范围的划分标准并不进行限制。具体的，可以参见图4中示出的一种局部特征图生成过程的示意图。可以从图中看出，将遥感卫星图像A通过图编码模型的第一层神经网络模型输出全局特征图A后，对该全局特征图A进行二值化处理，得到二值化的特征图B，在二值化的特征图B中选取一个道路点C，在该全局特征图A确定道路位置区域，图示中的道路位置区域为4个矩形。

这样设置的好处是通过图编码模型中的两层神经网络模型结构，分别获取全局特征图和局部特征图，这样比单一的一层神经网络模型获取到的信息更全面。

示例性地，基于图编码模型对全局特征图和局部特征图进行特征融合，得到融合后的特征图，包括：

对局部特征图进行上采样处理，得到上采样后的局部特征图；上采样后的局部特征图的尺寸与全局特征图的尺寸相同；

基于图编码模型对全局特征图和上采样后的局部特征图进行特征融合，得到融合后的特征图。

示例性地，上采样处理是以数据量较多的样本数量为标准，将数据量少的样本数量生成与数据量较多的样本数量相同的样本数量。例如，在本实施例中，局部特征图可以为4*4*n，全局特征图可以为8*8*N，则局部特征图以全局特征图为标准进行上采样后得到的上采样后的局部特征图为8*8*n。将上采样后的局部特征图8*8*n与全局特征图8*8*N，基于图编码模型得到融合后的特征图8*8*(N+n)。这样设置的好处是能够使得全局特征图与局部特征图是在同一个维度下进行比较，是更加合理的一种方式。

S304、对三维张量图进行解码处理，得到第二拓扑图，其中，第二拓扑图包括遥感卫星图像所对应的位置上的道路。

示例性地，本步骤可以参见步骤S103，在此不再赘述。

S305、若确定第一拓扑图中的道路像素点，不存在于第二拓扑图中，则将第一拓扑图中的道路像素点，加入到第二拓扑图中，以生成道路拓扑图。

示例性地，按照第一拓扑图中的坐标信息查找第一拓扑图中的道路像素点，若该坐标信息在第二拓扑图为非道路像素点，则将第一拓扑图中的该道路像素点加入到第二拓扑图中，并将修改后的第二拓扑图作为道路拓扑图。

例如，第一拓扑图中的坐标信息A(a，b)为一个道路像素点，则在第二拓扑图中查找坐标信息A(a，b)的像素点是否为道路像素点，若是，则不对第二拓扑图做任何处理，若不是，则将第二拓扑图中坐标信息A(a，b)的像素点添加为道路像素点。值得注意的是，第二拓扑图和第一拓扑图中坐标信息的划分标准是相同的，例如，第一拓扑图和第二拓扑图左下角均为原点，以第一拓扑图和第二拓扑图最下面的水平边为x轴，以第一拓扑图和第二拓扑图最左面的垂直边为y轴。这样设置的好处是能够结合两张拓扑图综合确定道路拓扑图，能够弥补一张拓扑图对道路召回不足的问题。

进一步地，其中，第一拓扑图为二值图，第二拓扑图为二值图。这样设置的好处是在能够提高第一拓扑图和第二拓扑图的比对效率。

S306、对道路拓扑图进行图像增强处理，得到增强处理后的道路拓扑图。

示例性地，图像增强处理可根据过程所在的空间不同，可分为基于空域和频域的方法。基于空域的方法直接对道路拓扑图进行处理；基于频域的方法是在道路拓扑图的某种变换域内对道路拓扑图的变换系数进行修正，然后再反变换到原来的空域，得到增强处理后的道路拓扑图。这样设置的好处是为了改善道路拓扑图的视觉效果，提高道路拓扑图的清晰度；或者是针对道路拓扑图的应用场合，突出某些感兴趣的特征，抑制不感兴趣的特征，以扩大道路拓扑图中不同物体特征之间的差别。

图5是根据本公开第三实施例的示意图，如图5所示，图5示出的是一种应用于地图更新的图编码模型的训练方法，该方法包括：

S501、获取多个待训练的遥感卫星图像，待训练的遥感卫星图像具有标准的三维张量图。

示例性地，每一个待训练的遥感卫星图像均具有唯一的标准的三维张量图，多个待训练的遥感卫星图像则对应多个标准的三维张量图。

S502、重复以下各步骤，直至达到预设条件：将待训练的遥感卫星图像输入至图编码模型中，得到预测的三维张量图，预测的三维张量图表征待训练的遥感卫星图像所对应的位置上的道路的编码信息；根据预测的三维张量图和标准的三维张量图对图编码模型进行参数调整；其中，达到预设条件所得到的图编码模型，用于确定上述实施例方法中的遥感卫星图像的三维张量图。

示例性地，图编码模型是由两层神经网络构成的模型，将待训练的遥感卫星图像输入至图编码模型中，由图编码模型输出预测的三维张量图，然后将预测的三维张量图与标准的三维张量图通过损失函数进行比较，得到图编码模型中每一层神经网络的参数，直到将待训练的遥感卫星图像输入至图编码模型，能够输出标准的三维张量图，则将此时达到预设条件的图编码模型确定待识别的遥感卫星图像的三维张量图。

本公开提供一种应用于地图更新的图编码模型的训练方法，通过多个待训练的遥感卫星图像与多个待训练的遥感卫星图像对应的多个标准的三维张量图训练图编码模型，将待识别的遥感卫星图像输入到得到的图编码模型中确定待识别的遥感卫星图像的三维张量图。采用上述技术手段，能够得到比较准确的图编码模型，进而可以将待识别的遥感卫星图像输入至准确的图编码模型，得到比较准确的待识别的遥感卫星图像的三维张量图。

图6是根据本公开第四实施例的示意图，如图6所示，图6示出的是一种应用于地图更新的图编码模型的训练方法，该方法包括：

S601、获取多个待训练的遥感卫星图像，待训练的遥感卫星图像具有标准的三维张量图。

示例性地，本步骤可以参见步骤S501，在此不再赘述。

S602、基于图编码模型对待训练的遥感卫星图像进行特征提取，得到全局特征图和局部特征图；其中，全局特征图表征待训练的遥感卫星图像的全局特征，局部特征图表征待训练的遥感卫星图像的道路特征。

示例性地，基于图编码模型对待训练的遥感卫星图像进行特征提取，得到全局特征图和局部特征图，包括：

基于图编码模型对待训练的遥感卫星图像进行特征提取，得到全局特征图；

对全局特征图进行二值化处理，得到二值化的特征图，二值化的特征图中包括道路的特征；

基于二值化的特征图中的道路点，在全局特征图中确定与道路点对应的道路位置区域；并根据与道路点对应的道路位置区域，生成局部特征图。

示例性地，本步骤可以参见步骤S303，在此不再赘述。

S603、基于图编码模型对全局特征图和局部特征图进行特征融合，得到融合后的特征图。

示例性地，本步骤可以参见步骤S303，在此不再赘述。

本实施例中，基于图编码模型对全局特征图和局部特征图进行特征融合，得到融合后的特征图，包括：

对局部特征图进行上采样处理，得到上采样后的局部特征图；上采样后的局部特征图的尺寸与全局特征图的尺寸相同；

基于图编码模型对全局特征图和上采样后的局部特征图进行特征融合，得到融合后的特征图。

示例性地，本步骤可以参见步骤S303，在此不再赘述。

S604、根据融合后的特征图，生成三维张量图。

示例性地，本步骤可以参见步骤S303，在此不再赘述。

S605、根据预测的三维张量图和标准的三维张量图对图编码模型进行参数调整；其中，达到预设条件所得到的图编码模型，用于确定本实施例方法中的遥感卫星图像的三维张量图。

示例性的，响应于用户的标注操作，获取待训练的遥感卫星图像中的道路关键点；根据待训练的遥感卫星图像中的道路关键点，以及与道路关键点相邻的其他道路关键点，生成待训练的遥感卫星图像的道路编码信息；其中，道路编码信息包括待训练的遥感卫星图像的每一像素点的编码数据；根据待训练的遥感卫星图像的道路编码信息，生成待训练的遥感卫星图像的标准的三维张量图。

本实施例中，用户对待训练的遥感卫星图像中的道路关键点进行标注，其中，待训练的遥感卫星图像中的道路关键点为不同道路转接处以及不同道路的端点。例如，图7为用户对待训练的遥感卫星图像中的道路关键点进行标注后的示意图，可以从图7中看出，道路关键点为A、B、C、D、E和F，从道路关键点A连接道路关键点B，由道路关键点B连接道路关键点C，道路关键点C同时连接道路关键点D和道路关键点E。道路关键点E连接道路关键点F。

进一步地，本实施例中，在确定了待训练的遥感卫星图像中的道路关键点后，能够确定与该道路关键点相邻的其他道路关键点。例如，初步确定的待训练的遥感卫星图像中的道路关键点为道路关键点C，则与该道路关键点相邻的其他道路关键点为道路关键点B、道路关键点D和道路关键点E。根据道路关键点C以及与该道路关键点相邻的其他道路关键点为道路关键点B、道路关键点D和道路关键点E生成道路关键点C的编码数据。这样设置的好处是用户标注操作后的遥感卫星图像不能够直接用于训练图编码模型，因此，需要将用户标注操作后的遥感卫星图像转化为能够训练图编码模型的数据形式。

其中，待训练的遥感卫星图像的每一像素点的编码数据包括以下信息中的一种或多种：

待训练的遥感卫星图像中的每一像素点是否为道路关键点；

与作为道路关键点的像素点的相邻的其他道路关键点的个数；

作为道路关键点的像素点、与作为道路关键点的像素点的相邻的其他道路关键点两者之间的距离信息。

本实施例中，编码数据包括待训练的遥感卫星图像中的每一像素点是否为道路关键点，或者与作为道路关键点的像素点的相邻的其他道路关键点的个数，或者作为道路关键点的像素点、与作为道路关键点的像素点的相邻的其他道路关键点两者之间的距离信息。

编码数据还包括：待训练的遥感卫星图像中的每一像素点是否为道路关键点和与作为道路关键点的像素点的相邻的其他道路关键点的个数；与作为道路关键点的像素点的相邻的其他道路关键点的个数和作为道路关键点的像素点、与作为道路关键点的像素点的相邻的其他道路关键点两者之间的距离信息；待训练的遥感卫星图像中的每一像素点是否为道路关键点与作为道路关键点的像素点、与作为道路关键点的像素点的相邻的其他道路关键点两者之间的距离信息。

编码数据还包括：待训练的遥感卫星图像中的每一像素点是否为道路关键点、与作为道路关键点的像素点的相邻的其他道路关键点的个数和作为道路关键点的像素点、与作为道路关键点的像素点的相邻的其他道路关键点两者之间的距离信息。

本实施例中，待训练的遥感卫星图像中的每一像素点是否为道路关键点可以用两位编码数据位进行表示。例如，该像素点为道路关键点时的编码数据位为10，该像素点不为道路关键点时的编码数据位为01。图7中的道路关键点A、道路关键点B、道路关键点C、道路关键点D和道路关键点E以及道路关键点F的其中两位编码数据位均可为10。

本实施例中，与作为道路关键点的像素点的相邻的其他道路关键点的个数的编码数据位为12位，这样设置的原因是道路关键点的像素点的相邻的其他道路关键点的个数一般最多是6个。本实施例中，与作为道路关键点的像素点的相邻的其他道路关键点的个数的编码数据位为12位仅是示例说明，该编码数据位是可以自行设置的，例如，还可以为20位。从图7中看出，与道路关键点A的像素点的相邻的其他道路关键点的个数为1，与道路关键点B的像素点的相邻的其他道路关键点的个数为2，与道路关键点C的像素点的相邻的其他道路关键点的个数为3，与道路关键点D的像素点的相邻的其他道路关键点的个数为1，与道路关键点E的像素点的相邻的其他道路关键点的个数为2，与道路关键点F的像素点的相邻的其他道路关键点的个数为1。在确定了道路关键点的像素点的相邻的其他道路关键点的个数，在以道路关键点的像素点为中心划分六个区域，具体的划分方式可以参见图8中示出的一种道路关键点的像素点的相邻的其他道路关键点的个数统计示意图。则可以在图8中的六个区域中依次确认，若第一个区域中存在道路关键点，则将编码数据位12位的前两位确认为10，若第二个区域中存在道路关键点，则将编码数据位12位的第三四位确认为10，依次类推。

作为道路关键点的像素点、与作为道路关键点的像素点的相邻的其他道路关键点两者之间的距离信息，具体为将待训练的遥感卫星图像按照坐标信息划分，确认每一个道路关键点的像素点的坐标信息，由每一个道路关键点的像素点的坐标信息与相邻的其他道路关键点的坐标信息确定两者之间的距离信息。其中，该编码数据位为12位，其中，每两位为一个相邻的其他道路关键点的距离信息。其中，该编码数据位的距离信息与道路关键点的个数的编码数据位是对应关系。

具体的，图9中示出了一种待训练的遥感卫星图像的每一像素点的编码数据以及三维张量图。从图9中可以看出，假设从三维张量图中确定一个像素点的编码数据，其中，该像素点为道路关键点C的像素点，该编码数据是由三个部分组成的，第一个部分为待训练的遥感卫星图像中的像素点是否为道路关键点的编码数据位，由于该像素点为道路关键点C的像素点，则第一个部分的编码数据位为10；第二个部分为与作为道路关键点的像素点的相邻的其他道路关键点的个数，由于该像素点为道路关键点C的像素点，与道路关键点C的像素点的相邻的其他道路关键点的个数为3，从图8中可以看出，道路关键点C在一个区域、第三个区域和第四个区域存在道路关键点，则第二个部分的编码数据位为100110100101；第三个部分为作为道路关键点的像素点、与作为道路关键点的像素点的相邻的其他道路关键点两者之间的距离信息，由于该像素点为道路关键点C的像素点，则计算道路关键点B、道路关键点D和道路关键点E分别与道路关键点C的距离信息。

这样设置的好处是能够通过准确的数据形式准确地表征待训练的遥感卫星图像的道路关键点信息。

本公开提供一种应用于地图更新的图编码模型的训练方法，包括：获取多个待训练的遥感卫星图像，待训练的遥感卫星图像具有标准的三维张量图，响应于用户的标注操作，获取待训练的遥感卫星图像中的道路关键点；根据待训练的遥感卫星图像中的道路关键点，以及与道路关键点相邻的其他道路关键点，生成待训练的遥感卫星图像的道路编码信息；其中，道路编码信息包括待训练的遥感卫星图像的每一像素点的编码数据；根据待训练的遥感卫星图像的道路编码信息，生成待训练的遥感卫星图像的标准的三维张量图。采用本技术方案，能够得到准确的图编码模型，进而输出比较准确的三维张量图，使得得到的第二拓扑图的召回率较高，保证地图的更新速度，优化作业过程。

图10是根据本公开第五实施例的示意图，如图10所示，图10示出的是一种基于遥感卫星图像的地图更新装置，该装置10包括：

获取单元1001，用于获取遥感卫星图像。

第一确定单元1002，用于对遥感卫星图像进行语义分割处理，得到第一拓扑图，第一拓扑图包括遥感卫星图像所对应的位置上的道路；并根据遥感卫星图像，确定三维张量图，三维张量图表征遥感卫星图像所对应的位置上的道路的编码信息。

第二确定单元1003，用于对三维张量图进行解码处理，得到第二拓扑图，其中，第二拓扑图包括遥感卫星图像所对应的位置上的道路；

第三确定单元1004，用于根据第一拓扑图和第二拓扑图，确定道路拓扑图，并根据道路拓扑图更新地图。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图11是根据本公开第六实施例的示意图，如图11所示，图11示出的是一种基于遥感卫星图像的地图更新装置，该装置11包括：

获取单元1101，用于获取遥感卫星图像；

第一确定单元1102，用于对遥感卫星图像进行语义分割处理，得到第一拓扑图，第一拓扑图包括遥感卫星图像所对应的位置上的道路；并根据遥感卫星图像，确定三维张量图，三维张量图表征遥感卫星图像所对应的位置上的道路的编码信息。

第二确定单元1103，用于对三维张量图进行解码处理，得到第二拓扑图，其中，第二拓扑图包括遥感卫星图像所对应的位置上的道路。

第三确定单元1104，用于根据第一拓扑图和第二拓扑图，确定道路拓扑图，并根据道路拓扑图更新地图。

示例性地，其中，第一确定单元1102，包括：

第一确定模块11021，用于将遥感卫星图像输入至图编码模型中，得到三维张量图；其中，图编码模型为基于具有标准的三维张量图的遥感卫星图像进行训练所得到的。

示例性地，其中，第一确定模块11021，包括：

提取子模块110211，用于基于图编码模型对遥感卫星图像进行特征提取，得到全局特征图和局部特征图；其中，全局特征图表征遥感卫星图像的全局特征，局部特征图表征遥感卫星图像的道路特征。

融合子模块110212，用于基于图编码模型对全局特征图和局部特征图进行特征融合，得到融合后的特征图。

生成子模块110213，用于根据融合后的特征图，生成三维张量图。

示例性地，其中，提取子模块110211，包括：

基于图编码模型对遥感卫星图像进行特征提取，得到全局特征图；

对全局特征图进行二值化处理，得到二值化的特征图，二值化的特征图中包括道路的特征。

基于二值化的特征图中的道路点，在全局特征图中确定与道路点对应的道路位置区域；并根据与道路点对应的道路位置区域，生成局部特征图。

示例性地，其中，融合子模块110212，包括：

对局部特征图进行上采样处理，得到上采样后的局部特征图；上采样后的局部特征图的尺寸与全局特征图的尺寸相同。

基于图编码模型对全局特征图和上采样后的局部特征图进行特征融合，得到融合后的特征图。

示例性地，其中，第三确定单元1104，包括：

加入模块11041，用于若确定第一拓扑图中的道路像素点，不存在于第二拓扑图中，则将第一拓扑图中的道路像素点，加入到第二拓扑图中，以生成道路拓扑图。

示例性地，其中，装置还包括：

处理单元1105，用于对道路拓扑图进行图像增强处理，得到增强处理后的道路拓扑图。

示例性地，其中，第一拓扑图为二值图，第二拓扑图为二值图。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图12是根据本公开第七实施例的示意图，如图12所示，图12示出的是一种应用于地图更新的图编码模型的训练装置，该装置12包括：

第一获取单元1201，用于获取多个待训练的遥感卫星图像，待训练的遥感卫星图像具有标准的三维张量图；

第一确定单元1202，用于重复以下各步骤，直至达到预设条件：将待训练的遥感卫星图像输入至图编码模型中，得到预测的三维张量图，预测的三维张量图表征待训练的遥感卫星图像所对应的位置上的道路的编码信息；根据预测的三维张量图和标准的三维张量图对图编码模型进行参数调整；

其中，达到预设条件所得到的图编码模型，用于确定权利要求15-22任一项装置中的遥感卫星图像的三维张量图。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图13是根据本公开第八实施例的示意图，如图13所示，图13示出的是一种应用于地图更新的图编码模型的训练装置，该装置13包括：

第一获取单元1301，用于获取多个待训练的遥感卫星图像，待训练的遥感卫星图像具有标准的三维张量图。

第一确定单元1302，用于重复以下各步骤，直至达到预设条件：将待训练的遥感卫星图像输入至图编码模型中，得到预测的三维张量图，预测的三维张量图表征待训练的遥感卫星图像所对应的位置上的道路的编码信息；根据预测的三维张量图和标准的三维张量图对图编码模型进行参数调整。

其中，达到预设条件所得到的图编码模型，用于确定本实施例中装置中的遥感卫星图像的三维张量图。

示例性地，其中，第一确定单元1302，包括：

提取模块13021，用于基于图编码模型对待训练的遥感卫星图像进行特征提取，得到全局特征图和局部特征图；其中，全局特征图表征待训练的遥感卫星图像的全局特征，局部特征图表征待训练的遥感卫星图像的道路特征。

确定模块13022，用于基于图编码模型对全局特征图和局部特征图进行特征融合，得到融合后的特征图。

生成模块13023，用于根据融合后的特征图，生成三维张量图。

示例性地，其中，提取模块13021，包括：

提取子模块130211，用于基于图编码模型对待训练的遥感卫星图像进行特征提取，得到全局特征图。

处理子模块130212，用于对全局特征图进行二值化处理，得到二值化的特征图，二值化的特征图中包括道路的特征。

生成子模块130213，用于基于二值化的特征图中的道路点，在全局特征图中确定与道路点对应的道路位置区域；并根据与道路点对应的道路位置区域，生成局部特征图。

示例性地，其中，确定模块13022，包括：

处理子模块130221，用于对局部特征图进行上采样处理，得到上采样后的局部特征图；上采样后的局部特征图的尺寸与全局特征图的尺寸相同。

融合子模块130222，用于基于图编码模型对全局特征图和上采样后的局部特征图进行特征融合，得到融合后的特征图。

示例性地，还包括：

第二获取单元1303，用于响应于用户的标注操作，获取待训练的遥感卫星图像中的道路关键点。

第一生成单元1304，用于根据待训练的遥感卫星图像中的道路关键点，以及与道路关键点相邻的其他道路关键点，生成待训练的遥感卫星图像的道路编码信息；其中，道路编码信息包括待训练的遥感卫星图像的每一像素点的编码数据。

第二生成单元1305，用于根据待训练的遥感卫星图像的道路编码信息，生成待训练的遥感卫星图像的标准的三维张量图。

示例性地，还包括：其中，待训练的遥感卫星图像的每一像素点的编码数据包括以下信息中的一种或多种：待训练的遥感卫星图像中的每一像素点是否为道路关键点；与作为道路关键点的像素点的相邻的其他道路关键点的个数；作为道路关键点的像素点、与作为道路关键点的像素点的相邻的其他道路关键点两者之间的距离信息。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

根据本公开的实施例，本公开还提供了一种计算机设备、一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，计算机设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得计算机设备执行上述任一实施例提供的方案。

图14是根据本公开第九实施例的示意图，如图14所示，本公开中的服务器1400可以包括：处理器1401和存储器1402。

存储器1402，用于存储程序；存储器1402，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random Access Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器1402用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器1402中。并且上述的计算机程序、计算机指令、数据等可以被处理器1401调用。

上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器1402中。并且上述的计算机程序、计算机指据等可以被处理器1401调用。

处理器1401，用于执行存储器1402存储的计算机程序，以实现上述实施例涉及的基于遥感卫星图像的地图更新方法中的各个步骤。

具体可以参见前面方法实施例中的相关描述。

处理器1401和存储器1402可以是独立结构，也可以是集成在一起的集成结构。当处理器1401和存储器1402是独立结构时，存储器1402、处理器1401可以通过总线1403耦合连接。

本实施例的服务器可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。

根据本公开的实施例，本公开还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述相应的实施例提供的方案。

根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，服务器的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得服务器执行上述相应的实施例提供的方案。

根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，车辆的控制设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得车辆的控制设备执行上述相应的实施例提供的方案。

图15是根据本公开第十实施例的示意图，如图15所示，本公开中的服务器1500可以包括：处理器1501和存储器1502。

存储器1502，用于存储程序；存储器1502，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random Access Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器1502用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器1502中。并且上述的计算机程序、计算机指令、数据等可以被处理器1501调用。

上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器1502中。并且上述的计算机程序、计算机指据等可以被处理器1501调用。

处理器1501，用于执行存储器1502存储的计算机程序，以实现上述实施例涉及的应用于地图更新的图编码模型的训练方法中的各个步骤。

具体可以参见前面方法实施例中的相关描述。

处理器1501和存储器1502可以是独立结构，也可以是集成在一起的集成结构。当处理器1501和存储器1502是独立结构时，存储器1502、处理器1501可以通过总线1503耦合连接。

本实施例的服务器可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。

根据本公开的实施例，本公开还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述相应的实施例提供的方案。

根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，服务器的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得服务器执行上述相应的实施例提供的方案。

根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，车辆的控制设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得车辆的控制设备执行上述相应的实施例提供的方案。

图16示出了可以用来实施本公开的实施例的示例计算机设备1600的示意性框图。计算机设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、计算机设备、刀片式计算机设备、大型计算机、和其它适合的计算机。计算机设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图16所示，计算机设备1600包括计算单元1601，其可以根据存储在只读存储器(ROM)1602中的计算机程序或者从存储单元1608加载到随机访问存储器(RAM)1603中的计算机程序，来执行各种适当的动作和处理。在RAM 1603中，还可存储设备1600操作所需的各种程序和数据。计算单元1601、ROM 1602以及RAM 1603通过总线1604彼此相连。输入/输出(I/O)接口1605也连接至总线1604。

计算机设备1600中的多个部件连接至I/O接口1605，包括：输入单元1606，例如键盘、鼠标等；输出单元1607，例如各种类型的显示器、扬声器等；存储单元1608，例如磁盘、光盘等；以及通信单元1609，例如网卡、调制解调器、无线通信收发机等。通信单元1609允许计算机设备1600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1601执行上文所描述的各个方法和处理，例如用于生成高精地图的定位信息的处理方法。例如，在一些实施例中，方法用于图像处理的模型训练可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1602和/或通信单元1609而被载入和/或安装到计算机设备1600上。当计算机程序加载到RAM 1603并由计算单元1601执行时，可以执行上文描述的基于遥感卫星图像的地图更新方法的一个或多个步骤。备选地，在其他实施例中，计算单元1601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法用于图像处理的模型训练。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或计算机设备上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据计算机设备)、或者包括中间件部件的计算系统(例如，应用计算机设备)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和计算机设备。客户端和计算机设备一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-计算机设备关系的计算机程序来产生客户端和计算机设备的关系。计算机设备可以是云计算机设备，又称为云计算计算机设备或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。计算机设备也可以为分布式系统的计算机设备，或者是结合了区块链的计算机设备。

图17示出了可以用来实施本公开的实施例的示例计算机设备1700的示意性框图。计算机设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、计算机设备、刀片式计算机设备、大型计算机、和其它适合的计算机。计算机设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图17所示，计算机设备1700包括计算单元1701，其可以根据存储在只读存储器(ROM)1702中的计算机程序或者从存储单元1708加载到随机访问存储器(RAM)1703中的计算机程序，来执行各种适当的动作和处理。在RAM 1703中，还可存储设备1700操作所需的各种程序和数据。计算单元1701、ROM 1702以及RAM 1703通过总线1704彼此相连。输入/输出(I/O)接口1705也连接至总线1704。

计算机设备1700中的多个部件连接至I/O接口1705，包括：输入单元1706，例如键盘、鼠标等；输出单元1707，例如各种类型的显示器、扬声器等；存储单元1708，例如磁盘、光盘等；以及通信单元1709，例如网卡、调制解调器、无线通信收发机等。通信单元1709允许计算机设备1700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1701执行上文所描述的各个方法和处理，例如用于生成高精地图的定位信息的处理方法。例如，在一些实施例中，方法用于图像处理的模型训练可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1702和/或通信单元1709而被载入和/或安装到计算机设备1700上。当计算机程序加载到RAM 1703并由计算单元1701执行时，可以执行上文描述的应用于地图更新的图编码模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法用于图像处理的模型训练。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或计算机设备上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据计算机设备)、或者包括中间件部件的计算系统(例如，应用计算机设备)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和计算机设备。客户端和计算机设备一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-计算机设备关系的计算机程序来产生客户端和计算机设备的关系。计算机设备可以是云计算机设备，又称为云计算计算机设备或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。计算机设备也可以为分布式系统的计算机设备，或者是结合了区块链的计算机设备。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (28)

1.一种基于遥感卫星图像的地图更新方法，包括：

获取遥感卫星图像；

对所述遥感卫星图像进行语义分割处理，得到第一拓扑图，所述第一拓扑图包括所述遥感卫星图像所对应的位置上的道路；并根据所述遥感卫星图像，确定三维张量图，所述三维张量图表征所述遥感卫星图像所对应的位置上的道路的编码信息；

对所述三维张量图进行解码处理，得到第二拓扑图，其中，所述第二拓扑图包括所述遥感卫星图像所对应的位置上的道路；

根据所述第一拓扑图和所述第二拓扑图，确定道路拓扑图，并根据所述道路拓扑图更新地图；

其中，根据所述遥感卫星图像，确定三维张量图，包括：

将所述遥感卫星图像输入至图编码模型中，基于所述图编码模型对所述遥感卫星图像进行特征提取，得到全局特征图和局部特征图；其中，所述全局特征图表征所述遥感卫星图像的全局特征，所述局部特征图表征所述遥感卫星图像的道路特征；

基于所述图编码模型对所述全局特征图和所述局部特征图进行特征融合，得到融合后的特征图；

根据所述融合后的特征图，生成三维张量图；其中，所述图编码模型为基于具有标准的三维张量图的遥感卫星图像进行训练所得到的。

2.根据权利要求1所述的方法，其中，基于所述图编码模型对遥感卫星图像进行特征提取，得到全局特征图和局部特征图，包括：

基于所述图编码模型对所述遥感卫星图像进行特征提取，得到所述全局特征图；

对所述全局特征图进行二值化处理，得到二值化的特征图，所述二值化的特征图中包括道路的特征；

基于所述二值化的特征图中的道路点，在所述全局特征图中确定与所述道路点对应的道路位置区域；并根据与所述道路点对应的道路位置区域，生成所述局部特征图。

3.根据权利要求1或2所述的方法，其中，基于所述图编码模型对所述全局特征图和所述局部特征图进行特征融合，得到融合后的特征图，包括：

对所述局部特征图进行上采样处理，得到上采样后的局部特征图；所述上采样后的局部特征图的尺寸与所述全局特征图的尺寸相同；

基于所述图编码模型对所述全局特征图和所述上采样后的局部特征图进行特征融合，得到所述融合后的特征图。

4.根据权利要求1或2所述的方法，其中，根据所述第一拓扑图和所述第二拓扑图，确定道路拓扑图，包括：

若确定所述第一拓扑图中的道路像素点，不存在于所述第二拓扑图中，则将所述第一拓扑图中的道路像素点，加入到所述第二拓扑图中，以生成所述道路拓扑图。

5.根据权利要求1或2所述的方法，其中，在根据所述第一拓扑图和所述第二拓扑图，确定道路拓扑图之后，还包括：

对所述道路拓扑图进行图像增强处理，得到增强处理后的道路拓扑图。

6.根据权利要求1或2所述的方法，其中，所述第一拓扑图为二值图，所述第二拓扑图为二值图。

7.一种应用于地图更新的图编码模型的训练方法，包括：

获取多个待训练的遥感卫星图像，所述待训练的遥感卫星图像具有标准的三维张量图；

重复以下各步骤，直至达到预设条件：将所述待训练的遥感卫星图像输入至图编码模型中，得到预测的三维张量图，所述预测的三维张量图表征所述待训练的遥感卫星图像所对应的位置上的道路的编码信息；根据所述预测的三维张量图和所述标准的三维张量图对所述图编码模型进行参数调整；

其中，达到预设条件所得到的图编码模型，用于确定权利要求1-6任一项所述方法中的遥感卫星图像的三维张量图。

8.根据权利要求7所述的方法，其中，将所述待训练的遥感卫星图像输入至图编码模型中，得到预测的三维张量图，包括：

基于所述图编码模型对所述待训练的遥感卫星图像进行特征提取，得到全局特征图和局部特征图；其中，所述全局特征图表征所述待训练的遥感卫星图像的全局特征，所述局部特征图表征所述待训练的遥感卫星图像的道路特征；

基于所述图编码模型对所述全局特征图和所述局部特征图进行特征融合，得到融合后的特征图；

根据所述融合后的特征图，生成所述三维张量图。

9.根据权利要求8所述的方法，其中，基于所述图编码模型对所述待训练的遥感卫星图像进行特征提取，得到全局特征图和局部特征图，包括：

基于所述图编码模型对所述待训练的遥感卫星图像进行特征提取，得到所述全局特征图；

对所述全局特征图进行二值化处理，得到二值化的特征图，所述二值化的特征图中包括道路的特征；

基于所述二值化的特征图中的道路点，在所述全局特征图中确定与所述道路点对应的道路位置区域；并根据与所述道路点对应的道路位置区域，生成所述局部特征图。

10.根据权利要求8或9所述的方法，其中，基于所述图编码模型对所述全局特征图和所述局部特征图进行特征融合，得到融合后的特征图，包括：

对所述局部特征图进行上采样处理，得到上采样后的局部特征图；所述上采样后的局部特征图的尺寸与所述全局特征图的尺寸相同；

基于所述图编码模型对所述全局特征图和所述上采样后的局部特征图进行特征融合，得到所述融合后的特征图。

11.根据权利要求10所述的方法，还包括：

响应于用户的标注操作，获取所述待训练的遥感卫星图像中的道路关键点；

根据所述待训练的遥感卫星图像中的道路关键点，以及与道路关键点相邻的其他道路关键点，生成所述待训练的遥感卫星图像的道路编码信息；其中，所述道路编码信息包括待训练的遥感卫星图像的每一像素点的编码数据；

根据所述待训练的遥感卫星图像的道路编码信息，生成所述待训练的遥感卫星图像的标准的三维张量图。

12.根据权利要求11所述的方法，其中，待训练的遥感卫星图像的每一像素点的编码数据包括以下信息中的一种或多种：

所述待训练的遥感卫星图像中的每一像素点是否为道路关键点；

与作为道路关键点的像素点的相邻的其他道路关键点的个数；

作为道路关键点的像素点、与作为道路关键点的像素点的相邻的其他道路关键点两者之间的距离信息。

13.一种基于遥感卫星图像的地图更新装置，包括：

获取单元，用于获取遥感卫星图像；

第一确定单元，用于对所述遥感卫星图像进行语义分割处理，得到第一拓扑图，所述第一拓扑图包括所述遥感卫星图像所对应的位置上的道路；并根据所述遥感卫星图像，确定三维张量图，所述三维张量图表征所述遥感卫星图像所对应的位置上的道路的编码信息；

第二确定单元，用于对所述三维张量图进行解码处理，得到第二拓扑图，其中，所述第二拓扑图包括所述遥感卫星图像所对应的位置上的道路；

第三确定单元，用于根据所述第一拓扑图和所述第二拓扑图，确定道路拓扑图，并根据所述道路拓扑图更新地图；其中，所述第一确定单元，包括：

第一确定模块，用于将所述遥感卫星图像输入至图编码模型中，得到三维张量图；其中，所述图编码模型为基于具有标准的三维张量图的遥感卫星图像进行训练所得到的；

其中，所述第一确定模块，包括：

提取子模块，用于基于所述图编码模型对所述遥感卫星图像进行特征提取，得到全局特征图和局部特征图；其中，所述全局特征图表征所述遥感卫星图像的全局特征，所述局部特征图表征所述遥感卫星图像的道路特征；

融合子模块，用于基于所述图编码模型对所述全局特征图和所述局部特征图进行特征融合，得到融合后的特征图；

生成子模块，用于根据所述融合后的特征图，生成所述三维张量图。

14.根据权利要求13所述的装置，其中，所述提取子模块，包括：

基于所述图编码模型对所述遥感卫星图像进行特征提取，得到所述全局特征图；

对所述全局特征图进行二值化处理，得到二值化的特征图，所述二值化的特征图中包括道路的特征；

基于所述二值化的特征图中的道路点，在所述全局特征图中确定与所述道路点对应的道路位置区域；并根据与所述道路点对应的道路位置区域，生成所述局部特征图。

15.根据权利要求13或14所述的装置，其中，所述融合子模块，包括：

对所述局部特征图进行上采样处理，得到上采样后的局部特征图；所述上采样后的局部特征图的尺寸与所述全局特征图的尺寸相同；

基于所述图编码模型对所述全局特征图和所述上采样后的局部特征图进行特征融合，得到所述融合后的特征图。

16.根据权利要求13或14所述的装置，其中，第三确定单元，包括：

加入模块，用于若确定所述第一拓扑图中的道路像素点，不存在于所述第二拓扑图中，则将所述第一拓扑图中的道路像素点，加入到所述第二拓扑图中，以生成所述道路拓扑图。

17.根据权利要求13或14所述的装置，其中，所述装置还包括：

处理单元，用于对所述道路拓扑图进行图像增强处理，得到增强处理后的道路拓扑图。

18.根据权利要求13或14所述的装置，其中，所述第一拓扑图为二值图，所述第二拓扑图为二值图。

19.一种应用于地图更新的图编码模型的训练装置，包括：

第一获取单元，用于获取多个待训练的遥感卫星图像，所述待训练的遥感卫星图像具有标准的三维张量图；

第一确定单元，用于重复以下各步骤，直至达到预设条件：将所述待训练的遥感卫星图像输入至图编码模型中，得到预测的三维张量图，所述预测的三维张量图表征所述待训练的遥感卫星图像所对应的位置上的道路的编码信息；根据所述预测的三维张量图和所述标准的三维张量图对所述图编码模型进行参数调整；

其中，达到预设条件所得到的图编码模型，用于确定权利要求13-18任一项所述装置中的遥感卫星图像的三维张量图。

20.根据权利要求19所述的装置，其中，所述第一确定单元，包括：

提取模块，用于基于所述图编码模型对所述待训练的遥感卫星图像进行特征提取，得到全局特征图和局部特征图；其中，所述全局特征图表征所述待训练的遥感卫星图像的全局特征，所述局部特征图表征所述待训练的遥感卫星图像的道路特征；

确定模块，用于基于所述图编码模型对所述全局特征图和所述局部特征图进行特征融合，得到融合后的特征图；

生成模块，用于根据所述融合后的特征图，生成所述三维张量图。

21.根据权利要求20所述的装置，其中，所述提取模块，包括：

提取子模块，用于基于所述图编码模型对所述待训练的遥感卫星图像进行特征提取，得到所述全局特征图；

处理子模块，用于对所述全局特征图进行二值化处理，得到二值化的特征图，所述二值化的特征图中包括道路的特征；

生成子模块，用于基于所述二值化的特征图中的道路点，在所述全局特征图中确定与所述道路点对应的道路位置区域；并根据与所述道路点对应的道路位置区域，生成所述局部特征图。

22.根据权利要求20或21所述的装置，其中，所述确定模块，包括：

处理子模块，用于对所述局部特征图进行上采样处理，得到上采样后的局部特征图；所述上采样后的局部特征图的尺寸与所述全局特征图的尺寸相同；

融合子模块，用于基于所述图编码模型对所述全局特征图和所述上采样后的局部特征图进行特征融合，得到所述融合后的特征图。

23.根据权利要求22所述的装置，还包括：

第二获取单元，用于响应于用户的标注操作，获取所述待训练的遥感卫星图像中的道路关键点；

第一生成单元，用于根据所述待训练的遥感卫星图像中的道路关键点，以及与道路关键点相邻的其他道路关键点，生成所述待训练的遥感卫星图像的道路编码信息；其中，所述道路编码信息包括待训练的遥感卫星图像的每一像素点的编码数据；

第二生成单元，用于根据所述待训练的遥感卫星图像的道路编码信息，生成所述待训练的遥感卫星图像的标准的三维张量图。

24.根据权利要求23所述的装置，其中，待训练的遥感卫星图像的每一像素点的编码数据包括以下信息中的一种或多种：

所述待训练的遥感卫星图像中的每一像素点是否为道路关键点；

与作为道路关键点的像素点的相邻的其他道路关键点的个数；

作为道路关键点的像素点、与作为道路关键点的像素点的相邻的其他道路关键点两者之间的距离信息。

25.一种计算机设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。

26.一种计算机设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求7-12中任一项所述的方法。

27.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。

28.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求7-12中任一项所述的方法。