TW201931112A - 用於確定地圖上的新道路的系統和方法 - Google Patents

Abstract

在至少一個地圖處理裝置上實施的用於確定地圖上的新道路的方法，包括獲取區域的第一路網影像，該第一路網影像包括第一複數條道路。該方法還包括基於區域的地圖確定區域的第二路網影像，第二路網影像包括在第一路網影像中不存在的第二複數條道路。該方法還包括藉由串接第一路網影像和第二路網影像確定第三路網影像。該方法還包括藉由以至少一個卷積層處理第三路網，確定區域的第四路網影像，第四路網包括第二複數條道路。

Description

用於確定地圖上的新道路的系統和方法

本申請一般涉及用於影像分割的系統和方法，更具體地，涉及用於基於深度卷積神經網路（Deep Convolutional Neutral Network，DCNN）的影像分割的系統和方法。

本申請主張2017年12月6日提交的編號為PCT/CN2017/114761的國際申請案的優先權，其內容以引用方式被包含於此。

基於地圖的數位導航和隨選服務越來越受歡迎。但是，用於導航或隨選服務的地圖需要經常更新，以跟上城市發展的快節奏（例如，新的道路建設）。用於處理地圖並獲取關於地圖的詳細資訊之傳統的語義影像分割，其在識別地圖上的新道路方面存在困難。因此，需要可用於準確且有效地確定地圖上的新道路的系統和方法。

在本申請的一個態樣，一種系統可以包括至少一個電腦可讀取儲存媒體，其包括一組指令，和至少一個處理器，其用於與所述至少一個電腦可讀取儲存媒體通訊。當執行指令時，可以指示至少一個處理器獲取區域的第一路網影像，第一路網影像包括第一複數條道路；用訓練後的深度卷積神經網路（DCNN）模型，確定基於所述區域地圖之所述區域的第二路網影像，第二路網影像包括在第一路網影像中不存在的第二複數條道路；藉由串接第一路網影像和第二路網影像確定區域的第三路網影像，第三路網影像包括第一路網影像和第二路網影像的資訊；藉由以至少一個卷積層處理第三路網，確定區域的第四路網影像，第四路網包括第二複數條道路。

在一些實施例中，所述至少一個處理器可以進一步用於將第一路網影像中的第一複數條道路從第一寬度改變為第二寬度，其中第二路網影像中的第一複數條道路和第二複數條道路具有第二寬度。

在一些實施例中，為了獲取訓練後的DCNN模型，至少一個處理器可以用於：獲取初始DCNN模型；獲取複數個地圖和與所述複數個地圖相關的複數個路網影像；基於複數個地圖和複數個路網訓練初始DCNN模型；並基於初始DCNN模型和損失函數確定訓練後的DCNN模型。

在一些實施例中，至少一個卷積層可以是訓練後的DCNN模型的一部分。

在一些實施例中，訓練後的DCNN模型可包括一對或多對的卷積層和池化層、至少一個空洞卷積層（atrous convolution layer）、一個或多個反卷積層以及一個或多個跳躍層（skip layer）。

在一些實施例中，訓練後的DCNN模型可以包括：一個或多個空洞卷積層，其被配置用於將特徵影像的解析度從第一值改善到第二值；以及一個或多個跳躍層，其被配置用於將兩個特徵影像組合為一個組合特徵影像。

在一些實施例中，其中將兩個特徵影像組合成一個組合特徵影像，第一跳躍層可以被配置為：將兩個特徵影像逐元素地組合到一個組合特徵影像中。

在一些實施例中，所述一個組合的特徵影像可以包括所述兩個特徵影像的特徵。

在一些實施例中，第二路網影像的尺寸可以與第一路網影像的尺寸相同。

在一些實施例中，為了藉由串接第一路網影像和第二路網影像確定區域的第三路網影像，可以指示至少一個處理器藉由將第一路網影像和第二路網影像輸入至訓練後的DCNN模型的串接層確定第三路網影像。

在一些實施例中，所述至少一個處理器還可以用於：基於第四路網影像，確定第二複數條道路之每條道路的兩個端點；以及根據霍夫（Hough）變換確定兩個端點的座標。

在本申請的另一態樣，一種在至少一個地圖處理裝置上實施的用於確定地圖上的道路的方法。所述方法可以包括由至少一個地圖處理裝置獲取區域的第一路網影像，所述第一路網影像包括第一複數條道路；由所述至少一個地圖處理裝置，用訓練後的深度卷積神經網路（DCNN）模型確定基於所述區域地圖之所述區域的第二路網影像，所述第二路網影像包括在第一路網影像中不存在的第二複數條道路；藉由串接第一路網影像和第二路網影像，由至少一個地圖處理裝置確定區域的第三路網影像，第三路網影像包括第一路網影像和第二路網影像的資訊；並且，由至少一個地圖處理裝置，藉由以至少一個卷積層處理第三路網，確定區域的第四路網影像，第四路網包括第二複數條道路。

在本申請的另一態樣，一種非暫時性媒體儲存指令，當指令由至少一個地圖處理裝置執行時，使至少一個地圖處理裝置實現的方法。所述方法可以包括獲取區域的第一路網影像，所述第一路網影像包括第一複數條道路；用訓練後的深度卷積神經網路（DCNN）模型確定基於所述區域地圖之所述區域的第二路網影像，所述第二路網影像包括第一路網影像中不存在的第二複數條道路；藉由串接第一路網影像和第二路網影像確定區域的第三路網影像，第三路網影像包括第一路網影像和第二路網影像的資訊；藉由以至少一個卷積層處理第三路網，確定區域的第四路網影像，第四路網包括第二複數條道路。

本申請的一部分附加特性可以在下面的描述中進行說明。藉由對以下描述和相應圖式的研究或者對實施例的生產或操作的瞭解，本申請的一部分附加特性對於本領域具有通常知識者是明顯的。本申請的特徵可以藉由對以下描述的具體實施例的各種態樣的方法、手段和組合的實踐或使用得以實現和達到。

以下描述是為了使本領域具有通常知識者能夠實施和利用本申請，並且該描述是在特定的應用場景及其要求的環境下提供的。對於本領域具有通常知識者講，顯然可以對所揭露的實施例作出各種改變，並且在不偏離本申請的原則和範圍的情況下，本申請中所定義的普遍原則可以適用於其他實施例和應用場景。因此，本申請並不限於所描述的實施例，而應該被給予與申請專利範圍一致的最廣泛的範圍。

本申請中所使用的術語僅用於描述特定的示例性實施例，並不限制本申請的範圍。如本申請和申請專利範圍書中所示，除非上下文明確提示例外情形，「一」、「一個」、「一種」及/或「該」或類似物詞並非特指單數，也可以包括複數。應該被理解的是，本申請中所使用的術語「包括」與「包括」僅提示已明確標識的特徵、整數、步驟、操作、元素及/或元件，而不排除可以存在和添加一個或多個其他特徵、整數、步驟、操作、元素、元件及/或其組合的情況。

根據以下對圖式的描述，本申請的這些和其他的特徵、特點以及相關結構元件的功能和操作方法，以及元件組合和製造經濟性，可以變得更加顯而易見，這些圖式都構成本申請說明書的一部分。然而，應該清楚地理解，圖式僅用於說明和描述的目的，並不意圖限制本申請的範圍。應當理解的是，圖式並不是按比例繪製的。

本申請中使用了流程圖用說明根據本申請的實施例的系統所執行的操作。應當理解的是，流程圖中的操作可以不按循序執行。相反，可以按照倒序或同時處理各種步驟。同時，也可以將一個或多個其他操作添加到這些流程圖中。也可以從流程圖中刪除一個或多個操作。

此外，儘管本申請中的系統和方法主要是關於確定新的路網影像描述的，但是還應該理解，本申請並非旨在進行限制。本申請的系統或方法可以應用於任何其他應用，例如自遙感影像的輪廓線確定等。例如，本申請的系統和方法可以應用於不同的運輸系統，包括陸地、海洋、航太或類似物或其任意組合。所述運輸系統的交通工具可以包括計程車、私家車、搭便車、公車、列車、子彈列車、高鐵、地鐵、船舶、飛機、飛船、熱氣球、無人駕駛的運輸工具或類似物或其任意組合。運輸系統還可以包括用於管理的任何運輸系統，例如，用於發送及/或接收快遞的系統。本申請的系統和方法的應用場景可以包括網頁、瀏覽器外掛程式、用戶端、客製系統、企業內部分析系統、人工智慧機器人或類似物或上述舉例的任意組合。

本申請中的術語「乘客」、「請求方」、「服務請求方」和「使用者」可互換使用，以指代可以請求或訂購服務的個人、實體或工具。本申請中的術語「司機」、「提供方」以及「服務提供方」也可以交換使用，指的是可以提供服務或促進該服務提供的個體、實體或工具。

本申請中的術語「請求服務」、「請求」、「訂單」和「服務訂單」可互換使用，以指可由乘客、服務請求方、使用者、司機、提供方、服務提供方或類似物，或其任何組合所發起的請求。服務請求可以由乘客、服務請求方、使用者、司機、提供方或服務提供方中的任何一個接受。服務請求可以是計費的也可是免費的。

本申請中的術語「司機裝置」指由服務提供方所使用以提供服務或促進提供服務的行動終端。本申請中的術語「終端裝置」指由服務請求方所使用以請求或訂購服務的行動終端。

應當注意本申請中的新道路確定，可用於地圖應用，或隨選服務，如線上計程車呼叫，是一種植根於後網際網路時代的新興服務。它為使用者提供技術解決方案，這些解決方案只能在後網際網路時代興起。在網際網路時代之前，手動更新新重建的道路。手動更新流程非常耗時。然而，本申請中描述的地圖處理系統能夠基於歷史路網影像和當前地圖或高解析度空中影像，自動確定路網影像形式的新道路。系統可以在非常短的時間內確定某個區域的新道路。因此，通過網際網路、地圖處理系統可以提供更準確和有效的方式確定在傳統的網際網路前情景中可能永遠不會遇到的新道路。

本申請涉及用於確定地圖上的新道路的系統和方法。可以基於可能不包括新道路的歷史路網確定地圖上的新道路。可以提供至少一個深度卷積神經網路，用於在歷史路網上執行一個或多個操作，例如卷積操作、串接操作，以識別新道路的地圖。

本申請中的術語「道路地圖」、「地圖」和「地圖影像」可互換使用，以指包括一個區域內的道路和興趣點（point of interest）（例如，建築物、山脈等）的地圖影像。此外，本申請中的術語「路網」和「路網影像」可互換使用，以指包括區域中的複數個互連道路的路網的影像。另外，本申請中的機器學習模型或機器學習模型的一個或多個層，除非另有說明，否則可根據描述的某些實施例進行訓練，例如，在圖9及其描述中。

圖1係根據本申請的一些實施例所示的地圖處理系統的示例性網路環境。地圖處理系統100可以是用於提供地圖相關服務的線上服務平臺。地圖處理系統100可以包括伺服器110、網路120、使用者終端130、司機裝置140和儲存器150。地圖處理系統100還可以包括定位裝置170（圖1中未示出）。

地圖處理系統100可以提供複數個服務。示例性服務可以包括地圖更新服務、導航服務、隨選服務（例如，計程車招叫服務、代駕服務、直達車服務、共乘服務、公車服務或司機僱用服務），或類似物或其組合。

伺服器110可以處理來自地圖處理系統100的一個或多個元件或外部資料源（例如，雲端資料中心）的地圖相關資料及/或資訊。伺服器110可以與使用者終端130及/或司機裝置140通訊，以提供線上服務的各種功能。在一些實施例中，伺服器110可以是單個伺服器，也可以是伺服器組。伺服器組可以是通過存取點連接到網路120的集中式伺服器組，或者通過一個或多個存取點分別連接到網路120的分散式伺服器組。在一些實施例中，伺服器110可以本地連接到網路120或者與網路120遠端連接。例如，伺服器110可以藉由網路120存取儲存在使用者終端130、司機裝置140及/或儲存器150中的資訊及/或資料。又例如，儲存器150可以用作伺服器110的後端資料儲存器。在一些實施例中，伺服器110可以在雲端平臺上實施。僅作為示例，該雲端平臺可以包括私有雲、公共雲、混合雲、社區雲、分佈雲、內部雲、多層雲或類似物或其任意組合。在一些實施例中，伺服器110可以在本申請中圖2描述的包含了一個或多個元件的計算裝置200上執行。

在一些實施例中，伺服器110可以包括處理引擎112。處理引擎112可以處理與本申請中描述的一個或多個功能相關的資訊及/或資料。在一些實施例中，處理引擎112可以執行地圖處理系統100的主要功能。在一些實施例中，處理引擎112可以處理地圖以確定地圖上的新道路。例如，地圖處理系統可以基於使用了機器學習模型的道路地圖，確定包括新道路的路網影像。在一些實施例中，處理引擎112可以執行與本申請中描述的方法和系統有關的其他功能（例如，地圖更新）。

在一些實施例中，處理引擎112可包括一個或多個處理單元（例如，單核心處理引擎或多核心處理引擎）。僅作為示例，處理引擎112可以包括中央處理單元（CPU）、特定應用積體電路（ASIC）、特定應用指令集處理器（ASIP）、圖形處理單元（GPU）、物理處理單元（PPU）、數位訊號處理器（DSP）、場可程式閘陣列（FPGA）、可程式設計邏輯裝置（PLD）、控制器、微控制器單元、精簡指令集電腦（RISC）、微處理器或類似物或其任意組合。

網路120可以促進資訊及/或資料的交換。在一些實施例中，地圖處理系統100中的一個或多個元件（例如，伺服器110、使用者終端130、司機裝置140、儲存器150）可以藉由網路120向地圖處理系統100中其他元件發送資訊及/或資料。例如，處理引擎112可以藉由網路120從儲存器150獲取複數個路網影像。又例如，處理引擎112可以藉由網路120將在地圖上確定的新道路發送給使用者終端130。在一些實施例中，網路120可以是任何類型的有線網路或無線網路或類似物或其任意組合。僅作為示例，網路120可以包括纜線網路、有線網路、光纖網路、遠端通訊網路、內部網路、網際網路、區域網路（LAN）、廣域網路（WAN）、無線區域網路（WLAN）、都會網路（MAN）、公共交換電話網路（PSTN）、藍牙網路、紫蜂網路、近場通訊（NFC）網路或類似物或其任意組合。在一些實施例中，網路120可以包括一個或多個網路存取點。例如，網路120可以包括有線或無線網路存取點，如基地台及/或網際網路交換點120-1、120-2、……，通過它們地圖處理系統100的一個或多個元件可以連接到網路120以交換資料及/或資訊。

使用者終端130及/或司機裝置140可以藉由網路120與伺服器110通訊。在一些實施例中，乘客可以是使用者終端130的所有者。在一些實施例中，使用者終端130的所有者可以是除乘客之外的其他人。例如，使用者終端130的所有者A可以使用使用者終端130為乘客B發送服務請求，及/或從伺服器110接收服務確認及/或資訊或指令。在一些實施例中，司機可以是司機裝置140的使用者。在一些實施例中，司機裝置140的使用者可以是除司機之外的其他人。例如，司機裝置140的使用者C可以使用司機裝置140為司機D接收服務請求，及/或來自伺服器110的資訊或指令。在一些實施例中，可以指定司機使用其中一個司機裝置140至少一段時間。例如，當司機可提供隨選服務時，可以指派他/她使用接收最早請求的司機終端和推薦執行隨選服務類型的運輸工具。在一些實施例中，「乘客」和「終端裝置」可以互換使用，「司機」和「司機裝置」可以互換使用。在一些實施例中，司機裝置140可以與一個或多個司機（例如，夜班司機、日班司機或藉由隨機輪班的司機池）相關。

乘客可以藉由使用者終端130接收地圖上新道路。在一些實施例中，使用者終端130可以藉由網路120從處理引擎112獲取道路地圖。使用者終端130可以包括行動裝置130-1、平板電腦130-2、膝上型電腦130-3、運輸工具內建裝置130-4或類似物，或其任何組合。在一些實施例中，行動裝置130-1可以包括智慧家居裝置、可穿戴裝置、智慧行動裝置、虛擬實境裝置、擴增實境裝置或類似物或其任意組合。在一些實施例中，智慧家居裝置可以包括智慧照明裝置、智慧電器控制裝置、智慧監控裝置、智慧電視、智慧視訊攝影機、對講機或類似物或其任意組合。在一些實施例中，該可穿戴裝置可包括智慧手環、智慧鞋襪、智慧眼鏡、智慧頭盔、智慧手錶、智慧衣服、智慧背包、智慧配件或類似物或其任意組合。在一些實施例中，智慧行動裝置可以包括智慧電話、個人數位助理（PDA）、遊戲裝置、導航裝置、銷售點（POS）裝置或類似物或其任意組合。在一些實施例中，虛擬實境裝置及/或擴增實境裝置可以包括虛擬實境頭盔、虛擬實境眼鏡、虛擬實境眼罩、擴增實境頭盔、擴增實境眼鏡、擴增實境眼罩或類似物或其任意組合。例如，虛擬實境裝置及/或擴增實境裝置可以包括Google Glass^TM 、Oculus Rift^TM 、Hololens^TM 或Gear VR^TM 等。在一些實施例中，運輸工具130-4中的內建裝置可以包括內建電腦、機載內建電視、內建平板電腦等。在一些實施例中，使用者終端130可以包括信號發送器和信號接收器，被配置成用於與定位裝置170通訊以定位乘客及/或使用者終端130的位置，並確定他/她的位置和道路的相對距離。

司機還可以藉由司機裝置140接收地圖上新道路。司機裝置140可以藉由網路120從處理引擎112獲取新的道路。司機裝置140可包括複數個司機裝置140-1、140-2、......、140-n。在一些實施例中，司機裝置140可以與使用者終端130類似或相同。在一些實施例中，可以定製司機裝置140，以實現基於從處理引擎112獲取的地圖之線上服務。

儲存器150可以儲存資料及/或指令。資料可以包括與道路地圖、路網、乘客、司機及/或外部環境有關的資料。僅用於說明目的，與道路地圖相關的資料可能包括電子地圖、紙質地圖照片、空中攝影、遙感影像等。與乘客相關的資料可以包括使用者檔案。與司機相關的資料可能包括司機檔案。與外部環境相關的資料可能包括天氣狀況、道路特徵等。在一些實施例中，儲存器150可以儲存從使用者終端130及/或司機裝置140獲取的資料。例如，儲存器150可以儲存與使用者終端130相關的日誌資訊。

在一些實施例中，儲存器150可以儲存處理引擎112可以執行的資料及/或指令，以處理本申請中描述的地圖或地圖相關影像。在一些實施例中，資料儲存器160可包括大容量儲存器、可移除式儲存器、揮發性讀寫儲存器、唯讀記憶體（ROM）或類似物或其任意組合。示例性的大容量儲存器可以包括磁碟、光碟、固態磁碟等。示例性可移除式儲存器可以包括快閃記憶體驅動器、軟碟、光碟、記憶卡、壓縮磁碟、磁帶等。示例性揮發性讀寫儲存器可以包括隨機存取記憶體（RAM）。示例性RAM可包括動態隨機存取記憶體（DRAM）、雙倍資料速率同步動態隨機存取記憶體（DDR SDRAM）、靜態隨機存取記憶體（SRAM）、閘流體隨機存取記憶體（T-RAM）和零電容隨機存取記憶體（Z-RAM）等。示例性唯讀記憶體可以包括遮罩唯讀記憶體（MROM）、可程式唯讀記憶體（PROM）、可清除可程式唯讀記憶體（EPROM）、電可清除可程式唯讀記憶體（EEPROM）、光碟唯讀記憶體（CD-ROM）和數位多功能影音光碟唯讀記憶體等。在一些實施例中，儲存器150可在雲端平臺上實現。僅作為示例，該雲端平臺可以包括私有雲、公共雲、混合雲、社區雲、分佈雲、內部雲、多層雲或類似物或其任意組合。

在一些實施例中，地圖處理系統100中的一個或多個元件可以藉由網路120存取儲存在儲存器150中的資料或指令。在一些實施例中，儲存器150可以作為後端儲存器直接連接到伺服器110。

定位裝置170可以確定與物件（例如，一個或多個使用者終端130、司機裝置140等）相關的資訊。例如，定位裝置170可以確定使用者終端130的當前位置。在一些實施例中，定位裝置170可以是全球定位系統（Global Positioning System，GPS）、全球衛星導航系統（Global Navigation Satellite System，GLONASS）、羅盤導航系統（Compass Navigation System，COMPASS）、北斗導航系統、伽利略定位系統、準天頂衛星系統（Quasi-Zenith Satellite System，QZSS）等。定位裝置170提供的資訊可以包括物件的位置、高度、速度或加速度及/或當前時間。該位置可以是座標的形式，例如緯度座標和經度座標等。定位裝置170可以包括一個或多個衛星，或與一個或多個衛星相關。衛星可以獨立地或聯合地確定上述資訊。定位裝置170可以藉由網路120將上述資訊發送到使用者終端130或者司機裝置140。

本領域具有通常知識者應當理解，當地圖處理系統100的元件執行時，該元件可以通過電信號及/或電磁信號執行。例如，當使用者終端130處理諸如確定新道路的任務時，使用者終端130可以在其處理器中操作邏輯電路以處理這樣的任務。當使用者終端130將影像（例如，道路地圖）發送到伺服器110時，使用者終端130的處理器可以產生編碼影像的電信號。然後，使用者終端130的處理器可以將電信號發送到輸出埠。若使用者終端130藉由有線網路與伺服器110通訊，則輸出埠可物理連接至纜線，其進一步將電信號傳輸給伺服器110的輸入埠。如果使用者終端130藉由無線網路與伺服器110通訊，則使用者終端130的輸出埠可以是一個或多個天線，其將電信號轉換為電磁信號。類似地，司機裝置140可以通過其處理器中的邏輯電路的操作處理任務，並且藉由電信號或電磁信號從伺服器110接收指令及/或資訊。在電子裝置中，例如使用者終端130、司機裝置140及/或伺服器110，當其處理器處理指令時，發出指令及/或執行動作，指令及/或動作藉由電信號進行。例如，當處理器從儲存媒體（例如，儲存器150）檢索資料（例如，路網）時，它可以將電信號發送到儲存媒體的讀取裝置，其可以讀取儲存媒體中的結構化資料。該結構化資料可以以電信號的形式藉由電子裝置的匯流排傳輸至處理器。此處，電信號可以指一個電信號、一系列電信號及/或複數個離散的電信號。

圖2係根據本申請的一些實施例所示的在其上實現地圖處理系統的示例性計算裝置200。

計算裝置200可以是通用電腦或專用電腦。兩者都可用於實現本申請的地圖處理系統。計算裝置200可用於實現如本文所述服務的任何元件。例如，處理引擎112可以在計算裝置200上藉由其硬體、軟體程式、韌體或其組合而實現。儘管為了方便，僅示出了一台電腦，但是可以在多個類似平臺上，以分散式方式實現與這裡描述的服務相關的電腦功能，以分散處理負載。

例如，計算裝置200可以包括連接的通訊埠250，並且可以連接到網路以促進資料通訊。計算裝置200還可以包括處理器220用於執行程式指令，該處理器220以一個或多個處理器的形式存在。示例性電腦平臺可以包括內部通訊匯流排210、不同形式的程式儲存器和資料儲存器，例如，磁碟270以及ROM 230或RAM 240，用於藉由電腦處理及/或發送的各種資料檔。示例性的電腦平臺也可以包括儲存於ROM 230、RAM 240及/或其他非暫時儲存媒體類型中的供處理器220執行的程式指令。本申請的方法及/或流程可以以程式指令的方式實現。計算裝置200還包括輸入/輸出元件260，支援電腦、使用者和其中的其他元件之間的輸入/輸出。計算裝置200也可以藉由網路通訊接收程式設計和資料。

僅僅為了說明，計算裝置200只描述了一個中央處理單元及/或處理器。然而，需要注意的是，本申請中的計算裝置200可以包括多個CPU及/或處理器，因此本申請中描述的由一個CPU及/或處理器實現的操作及/或方法，也可以共同地或獨立地由多個CPU及/或處理器實現。例如，計算裝置200的CPU及/或處理器可以執行步驟A和步驟B。如在另一示例中，步驟A和步驟B也可以由計算裝置200中的兩個不同的CPU及/或處理器聯合或分開地執行（例如，第一處理器執行步驟A並且第二處理器執行步驟B，或者第一和第二處理器共同執行步驟A和B）。

圖3係根據本申請的一些實施例所示的在其上實現線上服務的示例性行動裝置。如圖3所示，行動裝置300可以包括通訊埠310、顯示器320、圖形處理單元（GPU）330、CPU 340、輸入/輸出 350、記憶體360和儲存器390。在一些實施例中，任何其他合適的元件，包括但不限於系統匯流排或控制器（未示出），也可包括在行動裝置300內。在一些實施例中，為了使用CPU 340執行，行動作業系統370（例如，iOS™、Android™、Windows Phone™等）和一個或多個應用程式380可從儲存器390下載至記憶體360。應用程式380可以包括瀏覽器、地圖應用程式或任何其他合適的行動應用程式，用於從處理引擎112及/或儲存器150發送、接收和呈現與服務訂單（例如，與位址文字相關的複數個名稱）有關的資訊。使用者與資訊流的互動可以藉由輸入/輸出350實現，並且藉由網路120被提供給處理引擎112及/或隨選服務系統100的其他元件。

圖4係根據本申請的一些實施例所示的示例性處理引擎112。處理引擎112可以包括採集模組410、處理模組420、輸入/輸出模組430和通訊模組440。處理引擎112的一個或多個模組可以藉由有線連接、無線連接或其任何組合彼此連接或通訊。有線連接可以包括金屬線纜、光纜、混合纜線或類似物或其任意組合。無線連接可以包括區域網路（LAN）、廣域網路（WAN）、藍牙、紫蜂、近場通訊（NFC）或類似物或其任意組合。

採集模組410可以被配置用於進行資料採集。在一些實施例中，採集模組410可以獲取各種類型的資料。僅僅藉由示例的方式，所獲取的資料可以包括地圖影像、路網影像、機器學習模型（例如，DCNN模型）、機器學習模型的超參數（hyper-parameter）、使用者指令、程式、演算法或類似物，或者其組合。在一些實施例中，地圖影像可以用作區域的主要路線和特徵的概述。在一些實施例中，本申請中的術語「地圖」和「地圖影像」可互換使用。地圖影像可以是電子地圖、紙質地圖（例如，列印的地圖、手繪紙質地圖）的照片、空中地圖、遙感地圖或類似物。在一些實施例中，地圖影像可以包括複數條道路和興趣點（例如，教育機構、旅遊景點、醫院、商店、餐館、旅館、機場、鐵路車站等）。如這裡所使用的，除非指定，否則術語「道路」指的是在地圖或地圖影像上示出的道路。路網影像可以指包括複數條道路的影像，其由線表示。在一些實施例中，本申請中的術語「路網」和「路網影像」可互換使用。在一些實施例中，基於地圖，地圖處理系統100可以產生路網影像。在一些實施例中，路網影像可包括一個或多個道路特徵，例如道路兩端的座標、道路長度、道路寬度、道路安全、交通號誌燈、交通流量、道路維護、道路類型（高速公路、服務道路、單行道、雙向街道等）等。採集模組410可以從儲存裝置（例如，儲存器150）、終端裝置（例如，使用者終端130、司機裝置140等）、外部源（例如，雲端資料中心或類似物）或類似物獲取資料。

處理模組420可以被配置用於處理與地圖影像及/或路網影像有關的資料。處理模組420可以從採集模組410、儲存模組430及/或能夠儲存資料的任何儲存裝置（例如，儲存器150或外部資料源）獲取或接收資料及/或資訊。在一些實施例中，處理模組420可以獲取或接收初始機器學習模型（例如，深度卷積神經網路（DCNN）模型），並訓練機器學習模型以確定訓練後的模型。基於地圖影像，處理模組420可以使用訓練後的模型確定路網影像。在一些實施例中，處理模組420可以對地圖影像及/或路網影像執行各種操作，以確定道路地圖影像及/或路網影像上的新道路。例如，各種操作可以包括卷積運算、反卷積運算、串接運算、影像增強或類似物，或其組合。

處理模組420可以包括硬體處理器，例如微控制器、微處理器、精簡指令集電腦（RISC）、特定應用積體電路（ASIC）、特定應用指令集處理器（ASIP）、中央處理單元（CPU）、圖形處理單元（GPU）、物理處理單元（PPU）、微控制器單元、數位訊號處理器（DSP）、場可程式閘陣列（FPGA）、高級RISC機器（ARM）、可程式邏輯裝置（PLD）、能夠執行一個或多個功能的任何電路或處理器或類似物，或其任何組合。

輸入/輸出模組430可以被配置用於使使用者能夠與處理引擎112互動。在一些實施例中，使用者可以藉由輸入/輸出模組430設置超參數包括，例如，學習速率及/或小批量尺寸，以訓練機器學習模型。又例如，輸入/輸出模組430可以向使用者輸出資訊（例如，新道路的一個或多個網路影像，用於選擇地圖影像的請求訊息）。

輸入/輸出模組430還可以包括輸入裝置和輸出裝置。輸入裝置的示例可以包括控制台、鍵盤、滑鼠、觸控式螢幕、麥克風或類似物，或其組合。示例性的輸出裝置可以包括顯示裝置、揚聲器、印表機、投影機或類似物，或其組合。顯示裝置的示例可以包括液晶顯示器（LCD）、基於發光二極體（LED）的顯示器、平板顯示器、彎曲螢幕、電視裝置、陰極射線管（CRT）、觸控螢幕或類似物，或其組合。

通訊模組440可以被配置用於將處理引擎112連接到網路（例如，網路150）以促進資料通訊。通訊模組440可以在處理引擎112與使用者終端130、司機裝置140、儲存器150及/或外部資訊源之間建立連接。連接可以是有線連接、無線連接、可以啟用資料傳輸及/或接收的任何其他通訊連接，及/或這些連接的任何組合。有線連接可以包括，例如，電纜、光纜、電話線或類似物或其任意組合。無線連接可以包括，例如，Bluetooth™鏈路、Wi-Fi™鏈路、WiMax™鏈路、WLAN鏈路、紫蜂鏈路、行動網路鏈路（例如3G、4G或5G或類似物），或其組合。在一些實施例中，通訊模組440可以是標準化通訊埠，及/或包括標準化通訊埠，例如RS232、RS485等在一些實施例中，通訊模組440可以是專門設計的通訊埠。

應當注意上述處理引擎112的描述僅僅是為了說明的目的而提供的，並不意圖限制本申請的範圍。對於本領域具有通常知識者說，可以根據本申請的描述，做出各種各樣的變化和修改。例如，處理引擎112還可以包括便於資料儲存的儲存模組。然而，這些變化和修改不會背離本申請的範圍。

圖5係根據本申請的一些實施例所示的示例性處理模組420的方塊圖。如圖5所示，處理模組420可以包括影像處理單元510、訓練單元520和儲存單元530。在一些實施例中，處理模組420的一個或多個單元可以由至少一個處理器實現，例如處理器220。

影像處理單元510可以被配置用於處理地圖影像及/或路網影像。在一些實施例中，影像處理單元510可以確定路網影像。例如，影像處理單元510可以從採集模組410獲取地圖，並且從訓練單元520獲取訓練的DCNN模型。藉由用訓練後的DCNN模型處理地圖，影像處理單元510可以產生路網影像。

在一些實施例中，影像處理單元510可以藉由執行各種操作處理道路地圖或路網影像，以確定道路地圖影像或路網影像上的新道路。各種操作可以包括卷積運算、反卷積運算、串接運算、組合運算、影像增強運算（例如，長條圖增強、對比度增強等）或類似物或其組合。例如，影像處理單元510可以對地圖執行卷積運算以從地圖擷取主要特徵（例如，道路資訊）。又例如，影像處理單元510可以在兩個路網影像上執行串接操作，以產生包括兩個路網影像的資訊的另一個路網影像。作為又一示例，影像處理單元510可以執行對比度增強操作以幫助識別地圖上不同類型的道路。

訓練單元520可以被配置用於訓練機器學習模型。在一些實施例中，機器學習模型可以包括回歸模型、神經網路模型、最大似然估計模型或類似物。在一些實施例中，機器學習模型可以包括DCNN模型。DCNN模型可用於基於地圖影像產生路網影像。在一些實施例中，訓練單元520可以獲取初始DCNN模型，並且基於初始DCNN模型，確定訓練後的DCNN模型。初始DCNN模型可以由使用者設置、根據地圖處理系統100的預設設置或兩者的組合設置。

在一些實施例中，訓練單元520可以從採集模組410獲取訓練資料，並且基於訓練資料訓練DCNN模型。訓練資料可以包括，例如，複數個道路地圖影像和與道路地圖影像對應的複數個路網影像。在一些實施例中，訓練單元520可以在反覆運算流程中訓練DCNN模型。

儲存單元530可以被配置用於儲存與確定新道路有關的資料。資料可以從處理模組420、使用者終端130、司機裝置140、儲存器150、一個或多個外部資訊源（例如，雲端資料中心）及/或地圖處理系統100的任何其他元件獲取。儲存單元530可以儲存各種資料，包括例如程式、代碼、演算法、道路地圖、路網影像、機器學習模型及/或機器學習模型的超參數。儲存單元530還可以儲存由處理模組420的一個或多個單元執行的電腦指令，以執行本申請中描述的一個或多個功能。

圖6係根據本申請的一些實施例所示的用於確定新道路的示例性流程600的流程圖。在一些實施例中，流程600可以由地圖處理系統100執行。例如，流程600可以作為儲存在伺服器110的非暫時性儲存媒體中的一組指令而被實現。處理器220可以執行一組指令並相應地執行流程600中的步驟。

在610中，可以獲取區域的第一路網影像。在一些實施例中，第一路網影像可以藉由採集模組410獲取。第一路網影像可包括第一複數條道路。在一些實施例中，第一複數條道路可能不包括新道路，例如但不限於新建道路和新修改道路（例如，道路擴建）。僅出於說明目的，可以基於地圖（例如，舊版本地圖）產生第一路網影像。第一路網影像中所示的區域可以指任何地理區域。例如，區域可以是大陸、國家、省、州、郡、城市、城鎮、區、社區、學校、工廠、公園等。

在一些實施例中，第一路網影像可包括第一複數條道路。第一路網影像中的第一複數條道路中的每一條可以由一定寬度的線表示。在一些實施例中，代表第一複數條道路的線可具有類似的寬度。在一些實施例中，代表第一複數條道路的線可以具有不同的寬度。例如，可以根據與該線對應的真實道路的寬度確定線的寬度。

在620中，基於具有訓練後的DCNN模型的區域地圖，可以確定區域的第二路網影像。在一些實施例中，採集模組410可以獲取區域的地圖影像。地圖可以是電子地圖，紙質地圖（例如，列印的地圖、手繪紙質地圖）的照片、空中地圖、遙感地圖或類似物。在一些實施例中，地圖可以是道路地圖，其可以包括區域的全部或部分路線。在一些實施例中，地圖還可以包括複數個興趣點（例如，教育機構、旅遊景點、醫院、商店、餐館、旅館、機場、鐵路車站等）。在一些實施例中，區域的地圖影像可以是最新版本。

在一些實施例中，可以獲取訓練後的DCNN模型以處理地圖影像。在一些實施例中，可以從訓練單元520獲取訓練後的DCNN模型。可以藉由用DCNN模型處理地圖影像確定第二路網影像。DCNN模型可以用複數個層來處理路線圖，例如卷積層、反卷積層、池化層、空洞層等。在一些實施例中，關於DCNN模型的細節可以在本申請的其他地方描述，例如，圖8和圖9以及其描述。第二路網影像可能有一定的尺寸。在一些實施例中，第二路網影像可以具有與第一路網影像相同的尺寸。例如，第二路網影像和第一路網影像都可以具有256×256的尺寸。256×256的尺寸可以表示寬度為256像素點，高度為256像素點。又例如，第二路網影像和第一路網影像的尺寸均為9×9cm。尺寸9×9cm可以表示9cm寬和9cm高。

第二路網影像可以包括至少第二複數條道路。第二路網影像中的第二複數條道路可以對應於第一路網影像中不存在的新道路（例如，新建道路、修改或重建道路等）。在一些實施例中，第二路網影像可包括第一複數條道路和第二複數條道路的部分或全部。第二路網影像中的第二複數條道路中的每一條道路也可以由一定寬度的線表示。在一些實施例中，代表第一複數條道路的線和代表第二複數條道路的線可以具有相同的寬度。在一些實施例中，代表第二複數條道路的線和代表第二複數條道路的線可以具有不同的寬度。例如，表示第二複數條道路的線可以具有比表示第一複數條道路的線更大的寬度。

在630中，第一路網影像中的第一複數條道路可以從第一寬度改變為第二寬度。表示第一複數條道路的線的寬度可以藉由例如影像處理單元510改變。在一些實施例中，第一寬度可以大於第二寬度。影像處理單元510可以將第一複數條道路縮小到第二寬度。在一些實施例中，第一寬度可以小於第二寬度。影像處理單元510可以將第一複數條道路擴展到第二寬度。在一些實施例中，第一路網影像中第一複數條道路的寬度可以根據影像形態（morphological）演算法改變，例如擴展演算法、快速平行演算法等。在一些實施例中，第二路網影像中的第二複數條道路也可具有第二寬度。在一些實施例中，在處理（例如，藉由影像處理單元510）之後，第一網路影像中第一複數條道路的寬度與第二路網影像中第二複數條道路的寬度相同。

在640中，可以藉由串接第一路網影像（在630中處理之後）和第二路網影像確定區域的第三路網影像。區域的第三路網影像可以藉由例如影像處理單元510確定。在一些實施例中，影像處理單元510可以執行串接操作或者將第一路網影像和第二路網影像輸入到神經網路的串接層（例如，訓練後的DCNN模型）以實現第三路網影像判定。第三路網影像可包括第一路網影像和第二路網影像的資訊。該資訊可以包括各種類型的道路特徵，例如但不限於路網影像中道路的相對位置、道路長度、道路寬度等。

在一些實施例中，第三路網影像的尺寸可以根據第一路網影像的尺寸及/或第二路網影像的尺寸確定。在一些實施例中，如果第一路網影像和第二路網影像具有相同的預定尺寸，則第三路網影像也可具有預定尺寸。僅用於說明目的，第一路網影像和第二路網影像可以具有256×256的尺寸。第一路網影像和第二路網影像中的每一個均可對應於256*256*2的矩陣，其表示第一路網影像和第二網路影像可以在兩個通道中儲存資訊。然後第三路網影像可以對應於256*256*4的矩陣，其表示第三路網影像可以在四個通道中儲存資訊。在一些實施例中，第一路網影像和第二路網影像的資訊可以儲存在第三路網影像的四個通道中；並且第三路網影像的尺寸可以是256×256。

在650中，可以藉由用至少一個卷積層（例如，DCNN模型的）處理第三路網影像，確定區域的第四路網影像。第四路網影像可以藉由例如影像處理單元510確定。在一些實施例中，影像處理單元510可以藉由用卷積層處理第三路網影像並獲取處理結果，確定第四路網影像。卷積層可以由神經網路（例如，訓練後的DCNN模型）提供。在一些實施例中，影像處理單元510可以藉由對第三路網影像執行區分（differentiation）運算，確定第四路網影像。在一些實施例中，區分操作可以處理第三路網影像的一個或多個通道的資訊，並去除一個或多個通道中的相同元素。僅僅出於說明的目的，影像處理單元510可以從第三路網影像中移除第一複數條道路。在一些實施例中，第四路網影像可包括第二複數條道路（即新道路）。

在660中，基於第四路網影像，可以確定第二複數條道路的每條道路之兩個端點的座標。第二複數條道路的每條道路之兩個端點的座標可以藉由例如影像處理單元510確定。在一些實施例中，可以建立坐標系以便於確定座標。可以確定第二複數條道路的每條道路之兩個端點和坐標系的原點之間的相對位置。在一些實施例中，可以根據相對位置確定第二複數條道路的每條道路之兩個端點的座標。在一些實施例中，座標可以以緯度座標和經度座標的形式表示。在一些實施例中，可以根據一個或多個演算法確定第二複數條道路的每條道路之兩個端點的座標。僅僅藉由示例的方式，一個或多個演算法可以包括霍夫變換。

流程600的操作是說明性的而非限制性的。在一些實施例中，流程600可以利用未描述的一個或多個附加操作完成，及/或不利用一個或多個所討論的操作完成。另外，執行流程600操作的順序不是限制性的。例如，流程600還可以包括藉由通訊模組440將第二路網影像發送到儲存器150或地圖處理系統100中的任何其他元件。類似的修改應屬於本申請的範圍。

圖7係根據本申請的一些實施例所示的用於確定地圖上的新道路的示意圖700。在一些實施例中，示意圖700可以對應於圖6中所示的步驟610至650。地圖處理系統100可以獲取地圖710和第一路網715。第一路網715可包括複數條道路。在一些實施例中，可以基於舊版本地圖產生第一路網715。地圖710可以是最新版本，其可以進一步包括一條或多條新道路，例如但不限於新建道路和新修改道路（例如，道路擴建），其不存在於第一路網715中。地圖處理系統100可以利用一個或多個神經網路的複數個層處理地圖710及/或第一路網715。如圖7所示，複數個層可包括DCNN模型720、卷積層725、串接層740和卷積層760的多個層。

DCNN模型720可以被配置用於確定基於地圖之第二路網。在一些實施例中，DCNN模型可以採用多層神經網路的形式。DCNN模型720可以處理地圖710，並產生第二路網730，如620中所述。在一些實施例中，第二路網可以具有與道路地圖類似的尺寸，並且可以保留地圖710的資訊。DCNN模型720可能具有某種網路結構，例如ResNet-101、VGG-16等。可以在圖8中揭露DCNN模型720的網路結構的實施例。

在一些實施例中，卷積層725可以被配置用於在第一路網715中處理道路。例如，卷積層725可以獲取第一路網，並產生經處理的第一路網影像735。在一些實施例中，卷積層725可以將表示第一路網715中道路的線從第一寬度改變為第二寬度。如果第一寬度大於第二寬度，則卷積層725可縮小第一路網715中的線。如果第一寬度小於第二寬度，則卷積層725可以擴展第一路網715中的線。

在一些實施例中，串接層740可以被配置用於組合兩個影像並產生包含兩個影像資訊的另一影像。例如，串接層740可以獲取第二路網730和處理後的第一路網735，並產生第三路網750。在一些實施例中，串接層740可以獲取第二路網730、第一路網715和處理後的第一路網735的資訊，並將獲取的資訊分別儲存在不同的通道中。

卷積層760可以被配置用於產生基於第三路網影像750之第四路網770。卷積層760可以處理第三路網750的一個或多個通道的資訊，並且移除一個或多個通道中的相同元素。在一些實施例中，可以藉由在第三路網750上執行區分操作實現移除。第四路網770可以僅包括新道路。

應該注意的是，上述僅出於說明性目的而提供，並不旨在限制本申請的範圍。對於本領域具有通常知識者說，可以根據本申請的描述，做出各種各樣的變化和修改。例如，卷積層725、串接層740及/或卷積層760可以是DCNN模型720的一部分。然而，這些變化和修改不會背離本申請的範圍。

圖8係根據本申請的一些實施例所示的DCNN模型800的示例性網路結構的示意圖。DCNN模型800可以具有各種類型的網路結構，例如ResNet-101、VGG-16等。在圖8中，提供了VGG-16的示例性網路結構，用於說明DCNN模型。僅作為示例，DCNN模型800可以包括三對卷積層和池化層810至830、一個空洞卷積層840、三個反卷積層850、870和890以及兩個跳躍層860和880。跳躍層可以被配置用於被配置用於產生基於至少二個影像之具有更精細像素點的影像。

第一對卷積層和池化層810可以被配置用於產生第一特徵影像（也被稱為影像A 815）。第一對卷積層和池化層810可以獲取地圖影像805，並產生基於地圖影像805之影像A。在一些實施例中，卷積層可以從地圖影像805中擷取特徵。具體地，卷積層可以將地圖影像與一組濾波器進行卷積，並產生複數個特徵影像。池化層可以對卷積層的特徵影像輸出進行下取樣。僅僅藉由示例的方式，池化層可以利用一個或多個的池化方法對特徵影像進行下取樣。示例性池化方法可以包括平均池化、最大池化、隨機池化等。第一對卷積層和池化層810可以擷取地圖影像805的一個或多個特徵以及減小地圖影像805的尺寸。例如，影像A 815的尺寸可以是地圖影像805的尺寸的一半。

第二對卷積層和池化層820可以被配置用於從第一對卷積層和池化層810的輸出（即影像A 815）進一步擷取一個或多個特徵，並產生第二特徵影像（也稱為影像B 825）。在一些實施例中，第二對卷積層和池化層820可以與第一對卷積層和池化層810類似或相同。僅出於說明的目的，影像B 825的尺寸可以是地圖影像805的尺寸的四分之一。

第三對卷積層和池化層830可以與第一對卷積層和池化層810及/或第二對卷積層和池化層820相似或相同。基於第二對卷積層和池化層820的輸出（即影像B 825），第三對卷積層和池化層830可以產生第三特徵影像（圖8中未示出）。第三影像的尺寸可以是地圖影像805尺寸的八分之一。

在一些實施例中，空洞卷積層840可以被配置用於改善影像的品質。更具體地，空洞卷積層840可以促進影像的密集（dense）特徵擷取、視野放大及/或解析度改善。在一些實施例中，空洞卷積層840可以獲取第三對卷積層和池化層830的輸出（即第三影像），並且可以產生第四特徵影像（也被稱為影像C 845）。空洞卷積層840可以改善第三影像的解析度。因此，影像C的解析度可以具有比第三影像更大的解析度和更多的特徵。在一些實施例中，空洞卷積層840可以改變或不改變輸入影像的尺寸。例如，影像C 845可以具有與第三影像相同的尺寸。

第一反卷積層850可以被配置用於對輸入影像進行上取樣。在一些實施例中，第一反卷積層850可以獲取空洞卷積層840的輸出（即，影像C 845），並且產生第五特徵影像（也被稱為影像D 855）。在一些實施例中，第一反卷積層850可以放大影像C 845。例如，第一反卷積層850可以使影像C 845的尺寸加倍。在一些實施例中，影像D 855的尺寸可以是地圖影像805的尺寸的四分之一。

第一跳躍層860可以被配置用於將兩個影像組合成一個影像。在一些實施例中，第一跳躍層860可以獲取第一反卷積層850的輸出（即，影像D 855）和第二對卷積層和池化層820的輸出（即，影像B 825），並產生第六特徵影像（也稱為影像E 865）。在一些實施例中，影像D 855和影像B 825可以具有相同的尺寸。在一些實施例中，第一跳躍層860可以逐元素地組合兩個影像。具體地，可以在影像D 855中的每個像素點與影像B 825中的每個對應像素點之間執行算數運算（例如，乘積、相加、最大等）。例如，第一跳躍層860可以相加兩個像素點，其可以在兩個影像中彼此對應，並且產生影像E 865的像素點。在一些實施例中，影像E 865可包括影像B 825和影像D 855兩者的特徵。在一些實施例中，由第一跳躍層860產生的影像可以具有與輸入到第一跳躍層860的影像相同的尺寸。例如，影像E 865的尺寸可以是地圖影像805的尺寸的四分之一。

第二反卷積層870和第三反卷積層890可以與第一反卷積層850類似或相同。在一些實施例中，第二跳躍層880也可以與第一跳躍層860類似或相同。在一些實施例中，第二反卷積層870可以被配置用於獲取第一跳躍層860的輸出（即，影像E 865），並且產生第七特徵影像（也被稱為影像F 875）。在一些實施例中，影像F 875的尺寸可以是地圖影像805尺寸的一半。第二跳躍層880可以被配置用於獲取第二反卷積層870的輸出（即影像F 875）和第一對卷積層和池化層810的輸出（即，影像A 815），並產生第八特徵影像（也稱為影像G 885）。在一些實施例中，影像G 885可以包括影像A 815和影像F 875二者的特徵。在一些實施例中，影像G 885的尺寸可以是地圖影像805的尺寸的一半。

第三反卷積層890可以被配置用於獲取第二跳躍層880的輸出（即，影像G 885），並且產生第九特徵影像（也被稱為影像H 895）。在一些實施例中，影像H 895可以是DCNN模型800的輸出。在一些實施例中，影像H 895可以具有與地圖影像805相同的尺寸。在一些實施例中，地圖影像805可以與地圖710類似或相同。影像H 895可以是與圖7有關的第二路網730。

應該注意的是，上述僅出於說明性目的而提供，並不旨在限制本申請的範圍。對於本領域具有通常知識者說，可以根據本申請的描述，做出各種各樣的變化和修改。例如，DCNN模型800還可以包括第四對卷積層和池化層、第三跳躍層及/或第四反卷積層。然而，這些變化和修改不會背離本申請的範圍。

圖9係根據本申請的一些實施例所示的用於訓練機器學習模型的示例性流程900的流程圖。流程900可以作為處理引擎112的非暫時性儲存媒體中的一組指令而被實現。計算裝置200的處理器220可以執行一組指令並且可以相應地執行流程900中的步驟。

在910中，可以獲取初始機器學習模型。初始機器學習模型可以藉由例如採集模組410獲取。初始機器學習模型可包括但不限於初始神經網路、初始神經網路的一個或多個層或類似物。例如，初始機器學習模型可包括初始神經網路模型的初始DCNN模型或初始神經網路模型的一個或多個層（例如，一個或多個卷積層、一個或多個反卷積層、一個或多個池化層、一個或多個空洞卷積層、一個或多個跳躍層、一個或多個輸出層等）。初始機器學習模型可具有一個或多個參數，其可在訓練流程中更新或優化。一個或多個參數可以包括，例如學習速率、正則化項目（regularization item）、批量尺寸、權重及/或複數個層的一個或多個的多個參數。

在920中，可以獲取複數個地圖和路網影像。複數個地圖和路網可以藉由例如採集模組410獲取。採集模組410可以從儲存裝置（例如，儲存器150）、終端裝置（例如，使用者終端130、司機裝置140等）、外部源（例如，雲端資料中心等）或類似物獲取或接收複數個地圖和路網。在一些實施例中，採集模組410可以獲取或接收複數個地圖和對應於該複數個地圖的複數個路網，以訓練初始DCNN模型。在一些實施例中，複數個地圖和相應的路網可以具有相同的尺寸。例如，地圖和相應的路網可以具有尺寸（例如，256×256）。在一些實施例中，如果地圖具有不同的尺寸，則地圖處理系統100可以將地圖的尺寸調整到預定尺寸，例如，藉由放大或縮小一個或多個地圖。在一些實施例中，預定尺寸可以由使用者設置，或者可以根據地圖處理系統的預設設置確定。在一些實施例中，預定尺寸是其中一個地圖的尺寸。在一些實施例中，複數個地圖可以包括不同場景的道路特徵。僅藉由示例的方式，複數個地圖可以包括城市道路地圖、街道道路地圖、社區的道路地圖、校園的道路地圖或類似物。在一些實施例中，採集模組410可以獲取或接收複數個路網和對應於該複數個路網的複數個處理後的路網，以訓練初始神經網路模型的一個或多個層（例如，卷積層725及/或卷積層760）。

在930中，基於複數個地圖和路網，可以訓練初始機器學習模型。初始機器學習模型可以藉由例如訓練單元520訓練。在訓練流程中，可以將地圖或路網輸入到初始機器學習模型中。初始機器學習模型可以以輸出路網作為處理結果。訓練模組420，例如，可以獲取或接收與輸入到機器學習模型中的地圖或路網相對應的路網，並且將獲取的路網作為參考。在一些實施例中，訓練流程可以是反覆運算流程。

在一些實施例中，在訓練流程中，訓練單元520可以將處理結果與參考進行比較，並確定是否滿足預設條件。如果滿足預設條件，則流程900可以進行到940，並且可以確定訓練的機器學習模型。如果不滿足預設條件，則可以將另一個地圖輸入到機器學習模型中，並且可以基於輸入、處理結果及/或參考，更新機器學習模型的一個或多個參數（例如，一個或多個權重）。在一些實施例中，預設條件可以涉及處理結果和參考之間的差異。在一些實施例中，預設條件可以涉及演算法的限制（例如，處理結果與參考之間的差值的臨界值），當演算法滿足限制時，反覆運算可以終止。例如，演算法可以是損失函數。

在一些實施例中，損失函數可以表示把地圖上的道路確定為地圖背景（例如，建築物、空白區域或類似物）的錯誤的懲罰。在一些實施例中，損失函數可以根據或等式（1）確定：
, （1）
其中𝐿可以表示損失函數，當𝑖=1時𝑖可以表示道路，並且當𝑖=0時可以表示地圖的背景，可以表示權重。具體地，可以表示道路的權重，並且可以表示地圖背景的權重。在一些實施例中，可能大於。在一些實施例中，當𝑖=1時，可以表示道路的預測機率，並且當𝑖=0時，可以表示地圖的背景的預測機率。

在940中，可以確定訓練後的機器學習模型。在一些實施例中，當在訓練流程中達到損失函數收斂時，訓練流程可以終止。在一些實施例中，在訓練流程終止時確定的機器學習模型可以被指定為訓練後機器學習模型。在一些實施例中，訓練後的機器學習模型可用於產生基於地圖之路網。例如，參考圖7，訓練後的DCNN模型可以用作DCNN模型720。又例如，一個或多個訓練後的卷積層可以用作圖7提到的卷積層725和760。在一些實施例中，卷積層725及/或卷積層760可以是DCNN模型720的一部分。

應當注意以上對流程900的描述僅僅是出於說明的目的而提供的，並不旨在限制本申請的範圍。對於本領域具有通常知識者說，可以根據本申請的描述，做出各種各樣的變化和修改。例如，流程900還可以包括用於驗證訓練後的機器學習模型的穩定性的驗證操作。然而，這些變化和修改不會背離本申請的範圍。

圖10係根據本申請的一些實施例所示的用於確定地圖上的新道路的示意圖。在一些實施例中，可以結合圖6描述圖10。如圖10所示，可以獲取第一路網影像1010。第一路網影像1010可以包括區域中的複數條道路。在一些實施例中，可以基於舊版本地圖產生第一路網影像1010。在一些實施例中，可以獲取地圖1020，並且地圖1020可以是區域的新版本地圖。地圖1020可以包括區域的複數條道路和POI（例如，建築物、公車站等）。在一些實施例中，道路地圖1020中一條或多條道路可以是新道路（例如，新建或重建的），並且新道路不存在於第一路網影像1010中。在一些實施例中，可以將地圖1020輸入到訓練後的DCNN模型中以產生第二路網影像1030。可以在路網影像1030中擷取並保留道路地圖1020的主要特徵，例如道路。

在一些實施例中，地圖處理系統100可以基於第一路網影像1010和第二路網影像1030確定新道路1040的路網影像。在一些實施例中，可以藉由對第一路網影像1010和第二路網影像1030執行一個或多個處理操作獲取新道路1040的路網影像。處理操作可以包括，例如串接操作、卷積操作等。在一些實施例中，可以建立坐標系，並且可以確定新道路1040的路網影像上每條新道路兩個端點的座標，以便於識別新道路。

同時，本申請使用了特定詞語描述本申請的實施例。例如「一個實施例」、「一實施例」、及/或「一些實施例」意指與本申請至少一個實施例相關的某一特徵、結構或特性。因此，應當強調並注意的是，本說明書中在不同位置兩次或以上提及的「一實施例」或「一個實施例」或「一替代性實施例」並不一定是指同一實施例。此外，本申請的一個或多個實施例中的某些特徵、結構或特點可以進行適當的組合。

此外，本領域具有通常知識者可以理解，本申請的各態樣可以藉由若干具有可專利性的種類或情況進行說明和描述，包括任何新的和有用的流程、機器、產品或物質的組合，或對其任何新的和有用的改進。相應地，本申請的各個態樣可以完全由硬體執行，可以完全由軟體（包括韌體、常駐軟體、微碼等）執行，也可以由硬體和軟體組合執行。以上硬體或軟體均可被稱為「模組」、「單元」、「元件」、「裝置」或「系統」。此外，本申請的各態樣可以採取內含在一個或多個電腦可讀取媒體中的電腦程式產品的形式，其中電腦可讀取程式碼內含在其中。

電腦可讀取信號媒體可能包含一個內含有電腦可讀取程式碼的傳播資料信號，例如在基頻上或作為載波的一部分。此類傳播信號可以有多種形式，包括電磁形式、光形式或類似物或任何合適的組合。電腦可讀取信號媒體可以是除電腦可讀取儲存媒體之外的任何電腦可讀取媒體，該媒體可以藉由連接至一個指令執行系統、裝置或裝置以實現通訊、傳播或傳輸供使用的程式。內含於電腦可讀取信號媒體上的程式碼可以藉由任何合適的媒體進行傳播，包括無線電、纜線、光纖纜線、RF或類似物，或任何上述媒體的組合。

本申請各部分操作所需的電腦程式編碼可以用任意一種或以上程式語言編寫，包括物件導向程式設計語言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB. NET、Python或類似物，常規程式化程式設計語言如C語言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，動態程式設計語言如Python、Ruby和Groovy，或其他程式設計語言。該程式碼可以完全在使用者電腦上運行、或作為獨立的軟體封裝在使用者電腦上運行、或部分在使用者電腦上運行部分在遠端電腦運行、或完全在遠端電腦或伺服器上運行。在後種情況下，遠端電腦可以通過任何網路形式與使用者電腦連接，比如區域網路（LAN）或廣域網路（WAN）、或連接至外部電腦（例如通過網際網路服務提供方之網際網路）、或在雲端計算環境中、或作為服務使用（如軟體即服務（SaaS）。

此外，除非申請專利範圍中明確說明，本申請所述處理元素和序列的順序、數字、字母的使用、或其他名稱的使用，並非用於限定本申請流程和方法的順序。儘管上述申請中藉由各種示例討論了一些目前認為有用的申請實施例，但應當理解的是，該類細節僅止於說明的目的，附加的申請專利範圍並不僅限於申請的實施例，相反，申請專利範圍旨在覆蓋所有符合本申請實施例實質和範圍的修正和或均等組合。例如，雖然以上所描述的系統元件可以內含在硬體裝置中，但是也可以實現為只有軟體的解決方案，如在現有的伺服器或行動裝置上安裝所描述的系統。

同理，應當注意的是，為了簡化本申請揭露的表述，從而幫助對一個或多個申請實施例的理解，前文對本申請實施例的描述中，有時會將多種特徵歸併至一個實施例、圖或對其的描述中。然而，本申請的該方法不應被解釋為反映所主張的發明標的需要比每個請求項中明確記載的更多特徵的意圖。實際上，所主張的發明標的的特徵要少於上述揭露的單個實施例的全部特徵。

100‧‧‧地圖處理系統

110‧‧‧伺服器

112‧‧‧處理引擎

120‧‧‧網路

120-1、120-2‧‧‧網際網路交換點

130‧‧‧使用者終端

130-1‧‧‧行動裝置

130-2‧‧‧平板電腦

130-3‧‧‧膝上型電腦

130-4‧‧‧內建裝置

140‧‧‧司機裝置

140-1‧‧‧司機裝置

140-2‧‧‧司機裝置

140-3‧‧‧司機裝置

140-4‧‧‧司機裝置

150‧‧‧儲存器

200‧‧‧計算裝置

210‧‧‧匯流排

220‧‧‧處理器

230‧‧‧唯讀記憶體（ROM）

240‧‧‧隨機存取記憶體（RAM）

250‧‧‧通訊埠

260‧‧‧輸入/輸出

270‧‧‧磁碟

300‧‧‧行動裝置

310‧‧‧通訊埠

320‧‧‧顯示器

330‧‧‧圖形處理單元

340‧‧‧中央處理單元（CPU）

350‧‧‧輸入/輸出

360‧‧‧記憶體

370‧‧‧行動作業系統

380‧‧‧應用程式

390‧‧‧儲存器

410‧‧‧採集模組

420‧‧‧處理模組

430‧‧‧輸入/輸出模組

440‧‧‧通訊模組

510‧‧‧影像處理單元

520‧‧‧訓練單元

530‧‧‧儲存單元

600‧‧‧流程

610‧‧‧步驟

620‧‧‧步驟

630‧‧‧步驟

640‧‧‧步驟

650‧‧‧步驟

660‧‧‧步驟

700‧‧‧示意圖

710‧‧‧地圖

715‧‧‧第一路網

720‧‧‧DCNN模型

725‧‧‧卷積層

730‧‧‧第二路網

735‧‧‧處理後的第一路網

740‧‧‧串接層

750‧‧‧第三路網

760‧‧‧卷積層

770‧‧‧第四路網

800‧‧‧DCNN模型

805‧‧‧地圖影像

810‧‧‧池化層

815‧‧‧影像A

820‧‧‧池化層

825‧‧‧影像B

830‧‧‧池化層

840‧‧‧空洞卷積層

845‧‧‧影像C

850‧‧‧第一反卷積層

855‧‧‧影像D

860‧‧‧第一跳躍層

865‧‧‧影像E

870‧‧‧第二反卷積層

875‧‧‧影像F

880‧‧‧第二跳躍層

885‧‧‧影像G

890‧‧‧第三反卷積層

895‧‧‧影像H

900‧‧‧流程

910‧‧‧步驟

920‧‧‧步驟

930‧‧‧步驟

940‧‧‧步驟

1010‧‧‧第一路網影像

1020‧‧‧地圖

1030‧‧‧第二路網影像

1040‧‧‧新道路

本申請將藉由示例性實施例進行進一步描述。這些示例性實施例將藉由圖式進行詳細描述。這些實施例是非限制性的示例性實施例，在這些實施例中，各圖中相同的編號表示相似的結構，其中：

圖1係根據本申請的一些實施例所示的地圖處理系統的示例性網路環境；

圖2係根據本申請的一些實施例所示的在其上實現地圖處理系統的示例性計算裝置；

圖3係根據本申請的一些實施例所示的在其上實現線上服務的示例性行動裝置；

圖4係根據本申請的一些實施例所示的示例性處理引擎；

圖5係根據本申請的一些實施例所示的示例性處理模組的方塊圖；

圖6係根據本申請的一些實施例所示的用於確定新道路的示例性流程的流程圖；

圖7係根據本申請的一些實施例所示的用於基於區域的路網和包括所述區域的地圖來確定區域的新路網影像的示意圖；

圖8係根據本申請的一些實施例所示的DCNN模型的示例性網路結構的示意圖；

圖9係根據本申請的一些實施例所示的用於訓練機器學習模型的示例性流程圖；以及

圖10係根據本申請的一些實施例所示的用於確定地圖上的新道路的示意圖。

Claims (23)

1. 一種用於確定地圖上的新道路的系統，包括： 至少一個儲存一組指令的儲存媒體；以及 至少一個處理器，其被配置用於與所述至少一個儲存媒體通訊，其中當執行所述組指令時，所述至少一個處理器用於： 獲取區域的第一路網影像，所述第一路網影像包括第一複數條道路； 用訓練後的深度卷積神經網路（Deep Convolution Neural Network，DCNN）模型確定基於所述區域的地圖之所述區域的第二路網影像，所述第二路網影像包括在所述第一路網影像中不存在的第二複數條道路； 藉由串接所述第一路網影像和所述第二路網影像確定所述區域的第三路網影像，所述第三路網影像包括所述第一路網影像和所述第二路網影像的資訊；以及 藉由以至少一個卷積層處理所述第三路網，確定所述區域的第四路網影像，所述第四路網包括所述第二複數條道路。
2. 如申請專利範圍第1項之系統，其中，所述至少一個處理器還用於： 將所述第一路網影像中的所述第一複數條道路從第一寬度改為第二寬度，其中所述第二路網影像中的所述第一複數條道路和所述第二複數條道路具有所述第二寬度。
3. 如申請專利範圍第1項之系統，其中，為了獲取所述訓練後的DCNN模型，所述至少有一個處理器用於： 獲取初始DCNN模型； 獲取複數個地圖和與所述複數個地圖相關的複數個路網影像； 基於所述複數個地圖和所述複數個路網，訓練所述初始DCNN模型；以及 基於所述初始DCNN模型和損失函數，確定所述訓練後的DCNN模型。
4. 如申請專利範圍第1項之系統，其中，所述至少一個卷積層是所述訓練後的DCNN模型的一部分。
5. 如申請專利範圍第1項之系統，其中，所述訓練後的DCNN模型包括一對或多對卷積層和池化層、至少一個空洞卷積層、一個或多個反卷積層、一個或多個跳躍層。
6. 如申請專利範圍第1項之系統，其中，所述訓練後的DCNN模型包括： 一個或多個空洞卷積層，其被配置用於將特徵影像的解析度從第一值改善到第二值；以及 一個或多個跳躍層，其被配置用於將兩個特徵影像組合為一個組合特徵影像。
7. 如申請專利範圍第6項之系統，其中，將所述兩個特徵影像組合為所述一個組合特徵影像，所述第一跳躍層被配置為： 將所述兩個特徵影像，逐元素地組合到所述一個組合特徵影像中。
8. 如申請專利範圍第6項之系統，其中，所述一個組合特徵影像包括所述兩個特徵影像的特徵。
9. 如申請專利範圍第1項之系統，其中，所述第二路網影像的尺寸與所述第一路網影像的尺寸相同。
10. 如申請專利範圍第1項之系統，其中，藉由串接所述第一路網影像和所述第二路網影像確定所述第三路網影像，所述至少一個處理器用於： 藉由將所述第一路網影像和所述第二路網影像輸入至所述訓練後的DCNN模型的串接層確定所述第三路網影像。
11. 如申請專利範圍第1項之系統，其中，所述至少一個處理器還用於： 基於所述第四路網影像，確定第二複數條道路之每條道路的兩個端點；以及 根據霍夫變換確定所述兩個端點的座標。
12. 一種在至少一個地圖處理裝置上實施的方法，其用於檢測影像中的物件，包括： 由所述至少一個地圖處理裝置獲取區域的第一路網影像，所述第一路網影像包括第一複數條道路； 由所述至少一個地圖處理裝置，用訓練後的深度卷積神經網路（DCNN）模型確定基於所述區域的地圖之所述區域的第二路網影像，所述第二路網影像，包括在所述第一路網影像中不存在的第二複數條道路； 由所述至少一個地圖處理裝置藉由串接所述第一路網影像和所述第二路網影像確定所述區域的第三路網影像，所述第三路網影像包括所述第一路網影像及所述第二路網影像的資訊；以及 由所述至少一個地圖處理裝置，藉由以至少一個卷積層處理所述第三路網，確定所述區域的第四路網影像，所述第四路網包括所述第二複數條道路。
13. 如申請專利範圍第12項之方法，還包括： 由所述至少一個地圖處理裝置將所述第一路網影像中所述第一複數條道路從第一寬度改變為第二寬度，其中所述第二路網影像中的所述第一複數條道路和所述第二複數條道路具有所述第二寬度。
14. 如申請專利範圍第12項之方法，其中，所述訓練後的DCNN模型是藉由以下方式獲取的： 獲取初始DCNN模型； 獲取複數個地圖和與所述複數個地圖相關的複數個路網影像； 基於所述複數個地圖和所述複數個路網，訓練所述初始DCNN模型；以及 基於所述初始DCNN模型和損失函數確定所述訓練後的DCNN模型。
15. 如申請專利範圍第12項之方法，其中，所述至少一個卷積層是所述訓練後的DCNN模型的一部分。
16. 如申請專利範圍第12項之方法，其中，所述訓練後的DCNN模型包括一對或多對卷積層和池化層、至少一個空洞卷積層、一個或多個反卷積層和一個或多個跳躍層。
17. 如申請專利範圍第12項之方法，其中，所述訓練過的DCNN模型包括： 一個或多個空洞卷積層，其被配置用於將特徵影像從第一值改善到第二值的解析度；以及 一個或多個跳躍層，其被配置用於將兩個特徵影像組合為一個組合特徵影像。
18. 如申請專利範圍第17項之方法，其中，將所述兩個特徵影像組合為所述一個組合特徵影像，所述第一跳躍層被配置為： 將所述兩個特徵影像，逐元素地組合到所述一個組合特徵影像中。
19. 如申請專利範圍第17項之方法，其中，一個組合特徵影像包括所述兩個特徵影像的特徵。
20. 如申請專利範圍第12項之方法，其中，所述第二路網影像的尺寸與所述第一路網影像的尺寸相同。
21. 如申請專利範圍第12項之方法，其中，由所述至少一個地圖處理裝置藉由串接所述第一路網影像和所述第二路網影像確定所述區域的所述第三路網影像包括： 由所述至少一個地圖處理裝置藉由將所述第一路網影像和所述第二路網影像輸入至所述訓練後的DCNN模型的串接層確定所述第三路網影像。
22. 如申請專利範圍第12項之方法，還包括： 基於所述第四路網影像，由所述至少一個地圖處理裝置確定所述第二複數條道路之每條道路的兩個端點；以及 由所述至少一個地圖處理裝置，根據霍夫變換確定所述兩個端點的座標。
23. 一種非暫時性媒體儲存指令，當所述指令由至少一個地圖處理裝置執行時，使所述至少一個地圖處理裝置實現方法，包括： 獲取區域的第一路網影像，所述第一路網影像包括第一複數條道路； 用訓練後的深度卷積神經網路（DCNN）模型確定基於所述區域地圖之所述區域的第二路網影像，所述第二路網影像包括在所述第一路網影像中不存在的第二複數條道路； 藉由串接所述第一路網影像和所述第二路網影像確定所述區域的第三路網影像，所述第三路網影像包括所述第一路網影像和所述第二路網影像的資訊；以及 藉由以至少一個卷積層處理所述第三路網，確定所述區域的第四路網影像，所述第四路網包括所述第二複數條道路。