[发明专利]电子地图自适应分类方法、装置、设备及存储介质

权利要求书

1.一种电子地图自适应分类方法，其特征在于，所述方法包括：

获取待分类的电子地图数据；

将所述电子地图数据输入到预先建立的神经网络分类器，根据所述神经网络分类器的输出确定分类结果；其中，预先训练的神经网络分类器是基于模型融合的方法建立的，包括多个顺序排列的不同卷积神经网络，且多个不同卷积神经网络最后的全连接层均被替换为全局平均池化层或全局最大池化层；全局平均池化层或全局最大池化层连接到同一个融合层，以便通过该融合层将不同的卷积神经网络输出的特征进行融合处理。

2.根据权利要求1所述的方法，其特征在于，预先建立神经网络分类器的操作包括：

获取目标卷积神经网络模型，其中，所述目标卷积神经网络模型包括顺序排列的多个卷积神经网络；

基于所述目标卷积神经网络模型，提取训练集中样本数据的特征，并保存为特征向量，其中，所述特征向量的个数与所述目标卷积神经网络模型中顺序排列的卷积神经网络个数相同；

获取由多个所述特征向量融合后形成的合成向量；

基于所述合成向量训练所述目标卷积神经网络模型，并通过验证集中的样本数据对完成训练的所述目标卷积神经网络模型进行验证，以获取训练周期内验证精度大于第一阈值时的目标卷积神经网络模型作为神经网络分类器。

3.根据权利要求2所述的方法，其特征在于，所述获取目标卷积神经网络模型，包括：

基于多个深度学习框架搭建不同的卷积神经网络；

截断所述不同的卷积神经网络最后的全连接层，并以全局平均池化层或全局最大池化层替代所述全连接层；

基于设定的网络模型超参数，对所述不同的卷积神经网络进行不同的排列组合，以构建多个卷积神经网络模型；

筛选所述多个卷积神经网络模型中分类精度大于第二阈值的卷积神经网络模型作为目标卷积神经网络模型。

4.根据权利要求2所述的方法，其特征在于，在确定神经网络分类器之后，所述预先建立神经网络分类器的操作还包括：

利用测试集中样本数据对已确定的神经网络分类器进行测试，以设定不同的分类策略。

5.根据权利要求2-4中任一项所述的方法，其特征在于，所述预先建立神经网络分类器的操作还包括：

获取样本数据，并对所述样本数据进行清洗；

根据预设比例将清洗后的样本数据添加到所述训练集、验证集和测试集中，其中，训练集与验证集中的样本数据具有相似的数学分布。

6.一种电子地图自适应分类装置，其特征在于，所述装置包括：

获取模块，用于获取待分类的电子地图数据；

分类模块，用于将所述电子地图数据输入到预先建立的神经网络分类器，根据所述神经网络分类器的输出确定分类结果；其中，预先训练的神经网络分类器是基于模型融合的方法建立的，包括多个顺序排列的不同卷积神经网络，且多个不同卷积神经网络最后的全连接层均被替换为全局平均池化层或全局最大池化层；全局平均池化层或全局最大池化层连接到同一个融合层，以便通过该融合层将不同的卷积神经网络输出的特征进行融合处理。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括神经网络分类器建立模块，具体包括：

获取单元，用于获取目标卷积神经网络模型，其中所述目标卷积神经网络模型包括顺序排列的多个卷积神经网络；

特征提取单元，用于基于所述目标卷积神经网络模型，提取训练集中样本数据的特征，并保存为特征向量，其中，所述特征向量的个数与所述目标卷积神经网络模型中顺序排列的卷积神经网络个数相同；

合成单元，用于获取由多个所述特征向量融合后形成的合成向量；

训练验证单元，用于基于所述合成向量训练所述目标卷积神经网络模型，并通过验证集中的样本数据对完成训练的所述目标卷积神经网络模型进行验证，以获取训练周期内验证精度大于第一阈值时的目标卷积神经网络模型作为神经网络分类器。