CN115620143A - 一种新古典主义建筑风格识别系统、构建方法及识别方法 - Google Patents
一种新古典主义建筑风格识别系统、构建方法及识别方法 Download PDFInfo
- Publication number
- CN115620143A CN115620143A CN202211336405.3A CN202211336405A CN115620143A CN 115620143 A CN115620143 A CN 115620143A CN 202211336405 A CN202211336405 A CN 202211336405A CN 115620143 A CN115620143 A CN 115620143A
- Authority
- CN
- China
- Prior art keywords
- component
- target detection
- repetitive
- building
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于建筑风格识别相关技术领域,并公开了一种新古典主义建筑风格识别系统、构建方法及识别方法。该方法包括:S1构建整体风格图像分类模型;S2构建模仿手法目标检测模型;S3构建关键性构件目标检测模型和重复性构件目标检测模型;S4将整体风格图像分类模型、模仿手法目标检测模型、关键性构件目标检测模型、重复性构件目标检测模型、建筑构件图像分类模型依次串联,其中,模仿手法、关键性构件、重复性构件目标检测模型并联,构成所需的建筑风格识别系统。通过本发明,解决现有风格识别系统中不能根据建筑立面图片形成从整体到局部的完整的新古典主义建筑风格的识别描述的问题。
Description
技术领域
本发明属于建筑风格识别相关技术领域,更具体地,涉及一种新古典主义建筑风格识别系统、构建方法及识别方法。
背景技术
建筑风格视觉识别最开始是使用传统计算机视觉技术,基于传统的图像特征提取方法提取出图像的特征,例如SIFT特征、HOG特征,然后基于传统的分类算法如SVM算法对建筑图像进行分类。传统的方法对于任务的限制比较大,对于特定的任务需要单独设计特征,可扩展性不强,并且实际使用效果不是很好。随着基于深度学习的计算机视觉技术的发展,视觉识别领域从基于特征工程的识别转换到了模型架构的设计。基于一个好的模型架构,我们不用再去手动设计特征,而是利用神经网络的反向传播算法让模型自己基于训练数据自动学习到好的特征。近些年代表性的卷积神经网络架构有VGGNet,Inceptions,ResNe(X)t,DenseNet,MobileNet,EfficientNet等。
最近几年出现了基于传统视觉或深度学习的建筑风格识别研究,但是这些方法都只是单独研究整体风格的分类或者局部关键元素的检测,并没有形成一个完整的识别系统,对图像建筑风格进行一个从整体到局部的完整的建筑学意义上的风格描述。对历史建筑进行简单的基于图像分类的风格识别不再满足我们的风格描述需求,蕴含在建筑中的建筑模式,构件内在联系等都有利于加深我们对历史建筑风格的理解,从而可以更好地保护好历史建筑。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种新古典主义建筑风格识别系统、构建方法及识别方法,解决现有风格识别系统中不能根据建筑立面图片形成从整体到局部的完整的新古典主义建筑风格的识别描述的问题。
为实现上述目的,按照本发明的一个方面,提供了一种新古典主义建筑风格识别系统的构建方法,该方法包括下列步骤:
S1收集建筑图片形式图片,识别每张图片的整体风格并进行标识形成数据集,构建整体风格识别模型,利用所述数据集训练所述整体风格图像分类模型,获得所需的整体风格图像分类模型;
S2将所述数据集中的图片构型新的数据集,标识出新的数据集中每张图片的模仿手法、关键性构件和重复性构件,形成模仿手法、关键性构件和重复性构件目标检测数据集,然后将每张图片中的关键构件和重复性构件截取出,对关键构件和重复性构件进行识别和分类形成建筑构件图像分类数据集;
S3分别利用步骤S2的模仿手法、关键性构件和重复性构件目标检测数据集和建筑构件图像分类数据集进行深度学习,以此获得模仿手法目标检测模型、关键构件目标检测模型、重复性构件目标检测模型和建筑构件图像分类模型;
S4将所述整体风格识别模型、模仿手法目标检测模型、关键性构件目标检测模型和重复性构件目标检测模型、建筑构件分类模型所述依次串联,其中,所述模仿手法目标检测模型、关键性构件目标检测模型和重复性构件识别模型并联,以此构成所需的建筑风格识别系统。
进一步优选地,在步骤S1中,所述整体风格包括以下几种风格:古希腊、古罗马、罗曼式、哥特式、文艺复兴、巴洛克、古典主义和新古典主义。
进一步优选地,在步骤S2中,所述模仿手法包括希腊神庙式、罗马万神殿式、坦比哀多式和圣彼得大教堂式。
进一步优选地,在步骤S3中,所述关键性构件目标检测模型用于识别关键性构件的类别和其对应的坐标,所述关键性构件的类别包括穹顶、塔楼、山花、玫瑰窗、涡卷、柱廊以及券廊。
进一步优选地,在步骤S3中,所述重复性构件目标检测模型用于识别重复性构件的类别和其对应的坐标,所述重复性构件包括券、单柱、双柱和三柱。
进一步优选地,所述建筑构件分类模型用于对关键性构件和重复性构件进行进一步分类,其类别包括多边形穹顶、圆形穹顶、哥特式尖塔楼、非尖塔楼、断山花、半圆形山花、三角形山花、哥特式尖券、罗曼式套券、多立克式柱、爱奥尼式柱、科斯林式柱、塔什干式柱和混合式柱。
按照本发明的另一个方面,提供了一种上述所述的构建方法构建形成的识别系统。
按照本发明的又一个方面,提供了一种上述所述的新古典主义建筑风格识别系统进行识别的方法,该方法包括下列步骤:
S1将待识别图片输入所述系统中,所述整体风格识别模型识别该待识别图片是否是新古典主义,如果是,则进入步骤S2,否则输出整体风格类型;
S2所述模仿手法目标检测模型识别待识别图片的模仿手法,得到输入图片的建筑构图模仿手法信息;
S3所述关键性构件目标检测模型检测待识别图片的关键性构件,得到关键性构件的类别和坐标信息,得到关键性构件的类别和坐标信息,若检测结果中存在穹顶、塔楼和山花的信息,则根据穹顶、塔楼、山花构件的坐标信息在原图中截取得到构件图片,将其输入到建筑构件分类模型,得到穹顶、塔楼、山花属于的子类信息;若不存在,则得到“没有用于细分类的关键构件”信息;
S4所述重复性构件目标检测模型检测待识别图片中的的重复性构件,得到重复性构件的类别和坐标信息,若检测中存在券、单柱的信息,则根据券、单柱构件的坐标信息在原图中截取得到构件图片,将其输入到建筑构件分类模型,输出券、单柱属于的子类信息;若不存在,则输出“没有用于细分类的重复构件”。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具备下列有益效果:
1.本发明是一个基于深度学习中的图像分类和目标检测算法的新古典主义建筑风格系统,将历史建筑立面图片输入到系统中,系统利用训练好的算法模型,依次识别该建筑的整体风格、模仿手法以及细部关键元素,最后根据模型结果生成新古典主义建筑的从细部到整体的风格描述;
2.本发明提供的识别系统从整体到局部逐渐对图片的建筑风格元素进行识别,识别精度高,不需要针对特定的任务单独设计特征,拓展性强,实际使用效果好,识别效率高。
附图说明
图1是按照本发明的优选实施例所构建的识别系统的结构示意图;
图2是按照本发明的优选实施例所构建的建筑风格描述示意图;
图3是按照本发明的优选实施例所构建的识别方法的流程图;
图4是按照本发明的优选实施例所构建的识别系统构建方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图2所示,我们从建筑学角度把新古典主义建筑风格描述分为三个方面,分别为整体风格描述,建筑构图模仿手法分析,以及建筑元素层级描述。整体风格识别包括了对古希腊、古罗马、罗曼式、哥特式、文艺复兴、巴洛克、古典主义和新古典主义等八种整体风格的识别。建筑构图模仿手法主要有希腊神庙式、罗马万神殿式、坦比哀多式和圣彼得大教堂式。对于建筑的构件级别描述,我们把建筑构件分为两大类,一类为对建筑风格有着重要影响的关键构件,另一类为建筑物中大量使用的重复性构件。建筑关键构件主要包括穹顶、塔楼、山花、玫瑰窗、涡卷、柱廊以及券廊,建筑重复性构件主要包括券、单柱、双柱、三柱。
券是桥梁、门窗等建筑物上呈弧形的部分;单柱是建筑中的单个柱子,包括建筑中单独使用的柱子和组合柱中的每一根柱子;三根柱子一起组合出现叫做三柱,两根柱子成对出现叫做双柱。
对于券构件,根据其上部弧形部分的尖锐程度,有哥特式尖券和罗曼式套券两种子类;对于穹顶构件,根据其鼓座形状,有多边形穹顶和圆形穹顶两种子类;对于塔楼构件,根据其尖锐程度,有哥特式尖塔楼和非尖塔楼两种子类;对于塔楼构件,根据其形状不同,有断山花、三角形山花、半圆形山花三种子类;对于单柱,主要根据其柱头的不同,主要有多立克式、爱奥尼式、塔什干式、科斯林式和混合式五种子类。
如图1和3所示,为了完成整个新古典主义风格识别任务,我们设计了图1所示的系统。这个系统中,我们首先输入我们要识别的建筑的立面图片,经过图像预处理之后,将图像传入整体风格图像分类模型,如果识别结果显示该建筑不是新古典主义建筑,则直接输出该图片建筑对应的建筑风格,识别流程结束;如果显示该建筑是新古典主义建筑,则依次将图像传入模仿手法目标检测模型、关键性构件目标检测模型、重复性构件目标检测模型,分别得到模仿手法、关键性构件、重复性构件的类别和坐标信息。对于穹顶、塔楼、山花和券这些构件包含的风格信息非常丰富,所以我们不仅要将这些构件识别出来,还要继续对他们进行更细致的分类以挖掘更详细的风格信息。所以在关键性构件目标检测模型识别出穹顶、塔楼、山花之后,系统根据关键性构件目标检测模型输出的构件坐标信息把这三种构件裁剪出来输入建筑构件分类模型,得到检测出的穹顶、塔楼、山花构件的子类信息。在重复性构件目标检测模型识别出券和单柱之后,系统根据重复性构件目标检测模型输出的构件坐标信息把这两种构件裁剪出来输入建筑构件分类模型,得到检测出的券和单柱构件的子类信息。
如图4所示,本发明所提到新古典主义风格识别系统通过以下技术方案来实现:
第一步:收集建筑图像数据。
利用现有的公共建筑图像数据集或者用爬虫技术从互联网上爬取建筑图像数据,然后对收集到的图像数据进行筛选,去除掉质量不好的图片。
第二步:根据建立好的系统架构为各模型标注数据集
整个系统图像识别技术包括图像分类和目标检测。对于图像分类任务,我们在第一步收集到的图像数据基础上根据具体任务的分类类别制作图像分类任务的数据集,即将不同类别的图片放到各个类别的文件夹中。
对于目标检测任务,可以使用labelme等开源的图像标注工具来标注图像,以制作不同任务的目标检测数据集。
第三步:根据任务类型使用图像分类或目标检测算法对模型进行训练
对于图像分类和目标检测任务,都可以使用迁移学习的方式进行训练,就是先把模型在一个大型的图像数据集上进行预训练,然后再把预训练好的模型用在具体任务的数据集上进行微调训练,最终可以得到一个在具体任务数据集上效果比较好的模型。
第四步:将训练好的模型集成,形成图1所示的系统。
上述方法进一步具体的步骤如下:
S1收集各种建筑的立面图片,根据每张图片中的建筑所属建筑风格制作图像分类数据集,利用所述数据集和深度学习技术构建并训练整体风格图像分类模型,获得所需的整体风格图像分类模型;
S2收集含有建筑构图模仿手法的建筑立面图片,通过标注每张建筑立面图片中的建筑构图手法来制作模仿手法目标检测数据集,利用所述数据集和深度学习技术构建并训练模仿手法目标检测模型,获得所需的模仿手法目标检测模型;
S3收集含有建筑关键性构件的建筑立面图片,通过标注每张建筑立面图片中的关键性建筑构件来制作关键性构件目标检测数据集,利用所述数据集和深度学习技术构建并训练关键性构件目标检测模型,获得所需的关键性建筑构件目标检测模型;
S4收集含有建筑重复性构件的建筑立面图片,标注出每张建筑立面图片中的重复性建筑构件,制作重复性构件目标检测数据集,利用深度学习技术构建并训练重复性构件目标检测模型,获得所需的重复性构件目标检测模型;
S5收集建筑关键性构件和重复性构件图片,根据每张构件图片中建筑构件所属子类,制作建筑构件图像分类数据集,利用所述数据集和深度学习技术构建并训练建筑构件图像分类模型,获得所需的建筑构件图像分类模型;
S6将整体风格图像分类模型、模仿手法目标检测模型、关键性构件目标检测模型、重复性构件目标检测模型、建筑构件图像分类模型所述依次串联,其中,模仿手法目标检测模型、关键性构件目标检测模型、重复性构件目标检测模型并联,以此构成所需的建筑风格识别系统。
进一步地,所述建筑构件类别包括多边形穹顶、圆形穹顶、哥特式尖塔楼、非尖塔楼、断山花、半圆形山花、三角形山花、哥特式尖券、罗曼式套券、多立克式柱、爱奥尼式柱、科斯林式柱、塔什干式柱和混合式柱。
一种利用上述系统进行识别的方法,包括下列步骤:
S1将待识别图片输入所述系统中,所述整体风格识别模型识别该待识别图片是否是新古典主义,如果是,则同时进入步骤S2、S3、S4,否则输出整体风格类型;
S2所述模仿手法目标检测模型识别待识别图片的模仿手法,得到输入图片的建筑构图模仿手法信息;
S3所述关键性构件目标检测模型检测待识别图片的关键性构件,得到关键性构件的类别和坐标信息,若检测结果中存在穹顶、塔楼和山花的信息,则根据穹顶、塔楼、山花构件的坐标信息在原图中截取得到构件图片,将其输入到建筑构件分类模型,得到穹顶、塔楼、山花属于的子类信息;若不存在,则得到“没有用于细分类的关键构件”信息;
S4所述重复性构件目标检测模型检测待识别图片中的的重复性构件,得到重复性构件的类别和坐标信息,若检测结果中存在券、单柱的信息,则根据券、单柱构件的坐标信息在原图中截取得到构件图片,将其输入到建筑构件分类模型,得到券、单柱属于的子类信息;若不存在,则得到“没有用于细分类的重复构件”信息;
S5将在S2、S3、S4得到的识别信息汇总输出。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种新古典主义建筑风格识别系统的构建方法,其特征在于,该方法包括下列步骤:
S1收集建筑图片形式图片,识别每张图片的整体风格并进行标识形成数据集,构建整体风格识别模型,利用所述数据集训练所述整体风格图像分类模型,获得所需的整体风格图像分类模型;
S2将所述数据集中的图片构型新的数据集,标识出新的数据集中每张图片的模仿手法、关键性构件和重复性构件,形成模仿手法、关键性构件和重复性构件目标检测数据集,然后将每张图片中的关键构件和重复性构件截取出,对关键构件和重复性构件进行识别和分类形成建筑构件图像分类数据集;
S3分别利用步骤S2的模仿手法、关键性构件和重复性构件目标检测数据集和建筑构件图像分类数据集进行深度学习,以此获得模仿手法目标检测模型、关键构件目标检测模型、重复性构件目标检测模型和建筑构件图像分类模型;
S4将所述整体风格识别模型、模仿手法目标检测模型、关键性构件目标检测模型和重复性构件目标检测模型、建筑构件分类模型所述依次串联,其中,所述模仿手法目标检测模型、关键性构件目标检测模型和重复性构件识别模型并联,以此构成所需的建筑风格识别系统。
2.如权利要求1所述的一种新古典主义建筑风格识别系统的构建方法,其特征在于,在步骤S1中,所述整体风格包括以下几种风格:古希腊、古罗马、罗曼式、哥特式、文艺复兴、巴洛克、古典主义和新古典主义。
3.如权利要求1或2所述的一种新古典主义建筑风格识别系统的构建方法,其特征在于,在步骤S2中,所述模仿手法包括希腊神庙式、罗马万神殿式、坦比哀多式和圣彼得大教堂式。
4.如权利要求1所述的一种新古典主义建筑风格识别系统的构建方法,其特征在于,在步骤S3中,所述关键性构件目标检测模型用于识别关键性构件的类别和其对应的坐标,所述关键性构件的类别包括穹顶、塔楼、山花、玫瑰窗、涡卷、柱廊以及券廊。
5.如权利要求1所述的一种新古典主义建筑风格识别系统的构建方法,其特征在于,在步骤S3中,所述重复性构件目标检测模型用于识别重复性构件的类别和其对应的坐标,所述重复性构件包括券、单柱、双柱和三柱。
6.如权利要求1所述的一种新古典主义建筑风格识别系统的构建方法,其特征在于,在步骤S3中,所述建筑构件分类模型用于对关键性构件和重复性构件进行进一步分类,其类别包括多边形穹顶、圆形穹顶、哥特式尖塔楼、非尖塔楼、断山花、半圆形山花、三角形山花、哥特式尖券、罗曼式套券、多立克式柱、爱奥尼式柱、科斯林式柱、塔什干式柱和混合式柱。
7.一种权利要求1-6任一项所述的构建方法构建形成的识别系统。
8.一种利用权利要求7所述的新古典主义建筑风格识别系统进行识别的方法,其特征在于,该方法包括下列步骤:
S1将待识别图片输入所述系统中,所述整体风格识别模型识别该待识别图片是否是新古典主义,如果是,则进入步骤S2,否则输出整体风格类型;
S2所述模仿手法目标检测模型识别待识别图片的模仿手法,得到输入图片的建筑构图模仿手法信息;
S3所述关键性构件目标检测模型检测待识别图片的关键性构件,得到关键性构件的类别和坐标信息,得到关键性构件的类别和坐标信息,若检测结果中存在穹顶、塔楼和山花的信息,则根据穹顶、塔楼、山花构件的坐标信息在原图中截取得到构件图片,将其输入到建筑构件分类模型,得到穹顶、塔楼、山花属于的子类信息;若不存在,则得到“没有用于细分类的关键构件”信息;
S4所述重复性构件目标检测模型检测待识别图片中的的重复性构件,得到重复性构件的类别和坐标信息,若检测中存在券、单柱的信息,则根据券、单柱构件的坐标信息在原图中截取得到构件图片,将其输入到建筑构件分类模型,输出券、单柱属于的子类信息;若不存在,则输出“没有用于细分类的重复构件”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211336405.3A CN115620143A (zh) | 2022-10-28 | 2022-10-28 | 一种新古典主义建筑风格识别系统、构建方法及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211336405.3A CN115620143A (zh) | 2022-10-28 | 2022-10-28 | 一种新古典主义建筑风格识别系统、构建方法及识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115620143A true CN115620143A (zh) | 2023-01-17 |
Family
ID=84876659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211336405.3A Pending CN115620143A (zh) | 2022-10-28 | 2022-10-28 | 一种新古典主义建筑风格识别系统、构建方法及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620143A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116052137A (zh) * | 2023-01-30 | 2023-05-02 | 北京化工大学 | 一种基于深度学习的古典家具文化属性识别方法及系统 |
CN116311336A (zh) * | 2023-03-20 | 2023-06-23 | 华联世纪工程咨询股份有限公司 | 一种梁信息的自动识别和获取方法 |
-
2022
- 2022-10-28 CN CN202211336405.3A patent/CN115620143A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116052137A (zh) * | 2023-01-30 | 2023-05-02 | 北京化工大学 | 一种基于深度学习的古典家具文化属性识别方法及系统 |
CN116052137B (zh) * | 2023-01-30 | 2024-01-30 | 北京化工大学 | 一种基于深度学习的古典家具文化属性识别方法及系统 |
CN116311336A (zh) * | 2023-03-20 | 2023-06-23 | 华联世纪工程咨询股份有限公司 | 一种梁信息的自动识别和获取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115620143A (zh) | 一种新古典主义建筑风格识别系统、构建方法及识别方法 | |
Karimi | The spatial logic of organic cities in Iran and the United Kingdom | |
CN110992490B (zh) | 基于cad建筑平面图自动提取室内地图的方法 | |
CN108536923B (zh) | 一种基于建筑cad图的室内拓扑地图生成方法及系统 | |
CN107330100A (zh) | 基于多视图联合嵌入空间的图像‑文本双向检索方法 | |
CN113378891B (zh) | 基于轨迹分布表示的城市区域关系可视分析方法 | |
CN108133185B (zh) | 基于轨迹数据判断行人关系的方法和系统 | |
Zhi et al. | A graph-based algorithm for extracting units and loops from architectural floor plans for a building evacuation model | |
CN109117745B (zh) | 一种基于建筑信息模型的云端人脸识别与定位方法 | |
CN112232199A (zh) | 基于深度学习的佩戴口罩检测方法 | |
CN104036550B (zh) | 基于形状语义的建筑立面激光雷达点云解译与重建的方法 | |
Banaei et al. | Application of AI methods in the clustering of architecture interior forms | |
Kong et al. | Enhanced facade parsing for street-level images using convolutional neural networks | |
Hou et al. | Drawing-based procedural modeling of Chinese architectures | |
Li et al. | A method based on an adaptive radius cylinder model for detecting pole-like objects in mobile laser scanning data | |
CN102693285A (zh) | 一种基于形状认知的三维建筑模型匹配与检索的方法 | |
CN113569788A (zh) | 一种建筑物语义分割网络模型训练方法、系统及应用方法 | |
CN115880713A (zh) | 一种基于语义改进的自动寻体构建建筑产权体的方法 | |
CN115687429A (zh) | 一种社交媒体用户行为模式挖掘方法 | |
CN109064578B (zh) | 一种基于云服务的考勤系统及方法 | |
KR20110039900A (ko) | 지능형 인식 라이브러리 및 관리 도구를 활용한 고문서 이미지 데이터 인식 및 처리 방법 | |
CN115995092A (zh) | 图纸文字信息提取方法、装置、设备 | |
CN110309727A (zh) | 一种建筑识别模型的建立、建筑识别方法和装置 | |
CN115510517A (zh) | 高层建筑结构智能设计方法 | |
CN113220675A (zh) | 一种基于WiFi定位数据的高校学生行为分析系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |