CN106650202A - 一种数据驱动的室内区域布局预测方法及系统 - Google Patents
一种数据驱动的室内区域布局预测方法及系统 Download PDFInfo
- Publication number
- CN106650202A CN106650202A CN201610828865.6A CN201610828865A CN106650202A CN 106650202 A CN106650202 A CN 106650202A CN 201610828865 A CN201610828865 A CN 201610828865A CN 106650202 A CN106650202 A CN 106650202A
- Authority
- CN
- China
- Prior art keywords
- layout
- room
- forecast model
- room area
- driven
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种数据驱动的室内区域布局预测方法及系统,涉及室内区域布局预测,该方法包括步骤1,提取家居场景案例库中所有房间的形状特征与室内区域的布局属性,构造布局预测模型训练集,其中所述布局预测模型训练集为<布局属性的类别标签,形状特征>二元组集合;步骤2,根据所述布局预测模型训练集,训练布局预测模型,根据待布局房间的形状特征,通过所述布局预测模型预测待布局房间的室内区域的位置分布,以完成预测室内区域布局。本发明无需人为预先定义待布局对象布局应满足的约束,可以从布局案例中学习布局空间几何特征与布局对象位置分布的关系,并对新的布局空间预测其布局对象的位置分布。
Description
技术领域
本发明涉及室内区域布局预测,特别涉及一种数据驱动的室内区域布局预测方法及系统。
背景技术
室内场景一般由建筑主体结构和室内物体构成,室内物体的布局是体现室内场景的重要细节,作为室内场景的一部分,家居场景近些年受到虚拟现实相关应用领域的关注,针对家居场景自动布局问题,现有方法多以预定义规则为基础,通过人为定义场景内物体应满足的规则或约束并用数学表达式描述,这类方法主要考虑室内物体之间的关系,对现实生活中常出现的复杂的房间结构缺乏考虑,并且,当规则定义不完善时,难以产生合理的布局结果。
发明内容
针对现有技术的不足,本发明提出一种房间形状几何特征描述方法及系统。
本发明提出一种数据驱动的室内区域布局预测方法,包括:
步骤1,提取家居场景案例库中所有房间的形状特征与室内区域的布局属性,构造布局预测模型训练集,其中所述布局预测模型训练集为<布局属性的类别标签,形状特征>二元组集合;
步骤2,根据所述布局预测模型训练集,训练布局预测模型,根据待布局房间的形状特征,通过所述布局预测模型预测待布局房间的室内区域的位置分布,以完成预测室内区域布局。
所述步骤1包括归一化的入口位置、面积、长宽比、形状伸展度。
所述布局属性包括位置坐标属性、尺寸属性、朝向属性。
所述步骤2包括构造布局得分函数:
φ(G)=lnp(π(G)|F)
其中φ(G)表示当房间的形状特征为F时,室内区域G的一个布局属性π(G)的取值得分,即用一个分布p描述布局属性取值的概率分布。
所述步骤2还包括使用多项逻辑回归训练分类器。
本发明还提出一种数据驱动的室内区域布局预测系统,包括:
构造布局预测模型训练集模块,用于提取家居场景案例库中所有房间的形状特征与室内区域的布局属性,构造布局预测模型训练集,其中所述布局预测模型训练集为<布局属性的类别标签,形状特征>二元组集合;
预测模块,用于根据所述布局预测模型训练集,训练布局预测模型,根据待布局房间的形状特征,通过所述布局预测模型预测待布局房间的室内区域的位置分布,以完成预测室内区域布局。
所述构造布局预测模型训练集模块包括归一化的入口位置、面积、长宽比、形状伸展度。
所述布局属性包括位置坐标属性、尺寸属性、朝向属性。
所述预测模块包括构造布局得分函数:
φ(G)=lnp(π(G)|F)
其中φ(G)表示当房间的形状特征为F时,室内区域G的一个布局属性π(G)的取值得分,即用一个分布p描述布局属性取值的概率分布。
所述预测模块还包括使用多项逻辑回归训练分类器。
由以上方案可知,本发明的优点在于:
本发明无需人为预先定义待布局对象布局应满足的约束,可以从布局案例中学习布局空间几何特征与布局对象位置分布的关系,并对新的布局空间预测其布局对象的位置分布。
附图说明
图1为数据驱动的室内区域布局预测方法流程图。
图2为房间形状几何特征示意图。
具体实施方式
本发明的目的是提供一种数据驱动的室内区域布局预测方法,从已布局的家居场景案例库(案例库一般包含房间的形状特征以及房间中所有室内区域的功能类型、尺寸、位置、朝向信息)中提取相关信息,训练布局预测模型,根据待布局房间的形状特征预测室内区域的位置分布,以自动获得家居场景的室内区域布局。
为了实现上述目的,本发明提供的室内区域布局预测方法包括如下步骤:
步骤1,构造布局预测模型训练集;
步骤2,训练布局预测模型;
步骤3,根据待布局房间的形状特征,用布局预测模型预测待布局房间的室内区域的位置分布。
所述步骤1包括以下子步骤:
步骤11,提取案例库中所有房间的形状特征;
步骤12,提取案例库中所有房间各类室内区域的布局属性;
步骤13,构造<布局属性的类别标签,形状特征>二元组集合。
所述步骤2,包括以下子步骤:
步骤21,构造布局得分函数;
步骤22,按室内区域布局属性的类别训练布局预测模型。
本发明还提出一种数据驱动的室内区域布局预测系统,包括:
构造布局预测模型训练集模块,用于提取家居场景案例库中所有房间的形状特征与室内区域的布局属性,构造布局预测模型训练集,其中所述布局预测模型训练集为<布局属性的类别标签,形状特征>二元组集合;
预测模块,用于根据所述布局预测模型训练集,训练布局预测模型,根据待布局房间的形状特征,通过所述布局预测模型预测待布局房间的室内区域的位置分布,以完成预测室内区域布局。
所述构造布局预测模型训练集模块包括归一化的入口位置、面积、长宽比、形状伸展度。
所述布局属性包括位置坐标属性、尺寸属性、朝向属性。
所述预测模块包括构造布局得分函数:
φ(G)=lnp(π(G)|F)
其中φ(G)表示当房间的形状特征为F时,室内区域G的一个布局属性π(G)的取值得分,即用一个分布p描述布局属性取值的概率分布。
所述预测模块还包括使用多项逻辑回归训练分类器。
下面参照附图介绍本发明的方法的具体实施过程,图1为数据驱动的室内区域布局预测方法流程图。
本发明公开的是一种数据驱动的室内区域布局预测方法,室内区域是指共同完成某种功能的一组家具集合所构成的区域,例如客厅中的一组沙发和茶几共同完成座谈功能,这组沙发和茶几构成的矩形区域为“座谈区域”,为了根据房间形状预测室内区域的位置分布,首先,从案例库中抽取先验知识,训练布局预测模型,然后,将待布局的房间几何特征输入布局约束模型,输出室内区域的位置分布。具体来讲:
步骤S1,构造布局预测模型训练集。
步骤S11,提取案例库中所有房间的形状特征和。房间的形状特征由以下几项构成:
步骤S111,归一化的入口位置(Ex,Ey),即入户门在房间局部坐标系下归一化的坐标。入户门位置在房间局部坐标系下的额坐标为(Ex0,Ey0),则归一化的坐标(Ex,Ey)=(Ex0/W,Ey0/L)。
步骤S112,面积(S),即房间轮廓围成的封闭多边形的面积。
步骤S113,长宽比(R),即房间的长与宽的比值,R=L/W。
步骤S114,形状伸展度(C),即房间轮廓形成的封闭多边形接近矩形的程度,用该多边形分别按x轴方向和y轴方向分解的矩形中心点的协方差矩阵C1和C2描述。按x轴方向分解简称纵切,按y轴方向分解简称横切,如图2所示,该房间轮廓多边形可由虚线横切划分为三个矩形,中心点坐标向量为xh=(x1,x2,x3)T,yh=(y1,y2,y3)T h表示横切后获得的矩形中心点坐标向量,T表示向量的转置运算,其中心点坐标的协方差矩阵同时,该房间轮廓多边形可由虚线纵切划分为三个矩形,中心点坐标向量为xv=(x4,x5,x6)T,yv=(y4,y5,y6)T,其中心点坐标的协方差矩阵v表示纵切后获得的矩形中心点坐标向量。由于cov(xh,yh)=cov(yh,xh)且cov(xv,yv)=cov(yv,xv),因此C=(cov(xh,yh),cov(xh,xh),cov(yh,yh),cov(xv,yv),cov(xv,xv),cov(yv,yv))。
综上所述,一个布局空间的几何特征F=(Ex,Ey,S,R,C)是一组10维的特征向量。
步骤S12,提取案例库中所有房间各类室内区域的布局属性,室内区域的布局属性包括如下几项:
室内区域G的一元布局属性π(G)=(xp,yp,θp,lp,wp),包括该室内区域在房间中归一化的位置坐标、朝向和尺寸。
步骤S121,位置坐标属性:xp=x/W,yp=y/L,其中x和y分别为该室内区域位置点在x轴和y轴方向的坐标值,W和L分别为房间的宽和长,位置坐标属性xp和yp的取值均为[0,1]范围内的连续值,记π1(G)=xp,π2(G)=yp。
步骤S122,尺寸属性:lp=ly/L,wp=lx/W,其中ly和lx分别为该室内区域的长和宽,L和W分别为房间的长和宽,尺寸属性lp和wp的取值均为[0,1]范围内的连续值,记π3(G)=lp,π4(G)=wp。
步骤S123,朝向属性:θp=θ,其中θ是该室内区域的朝向角度,本发明涉及的室内区域角度均为90°的整数倍,因此朝向属性的取值是{0,90,180,270}中的离散值,记π5(G)=θp。
步骤S13,构造<属性类别标签,形状特征>二元组。房间的形状特征和同类室内区域(如座谈区域)的同类布局属性值(如X值)组成<属性值,形状特征>二元组,将案例库中同类房间(如客厅)的<属性值,形状特征>二元组构成集合。连续的属性值离散化后,得到属性类别标签。具体来说,布局属性类别标签Ct(G),t=1,...,4,由连续的布局属性值πt(G),t=1,...,4分别离散化得到。本方法采用k均值聚类将每一类布局属性出现过的属性值划分为k类,记录每一类的聚类中心μt=(μt1,...,μtk),μt1<...<μtk。对于位置坐标属性,我们分别将所有出现过的xp值和yp值分为k类,相当于在坐标系上纵横各分了k格,每一格看作一类,坐标值落在哪一格则对应那一类,得到x坐标属性类别标签C1(G)=cx,cx∈{1,...,k},y坐标属性类别标签C2(G)=cy,cy∈{1,...,k},同理可得到尺寸的属性类别标签C3(G)和C4(G)。由于朝向属性是集合{0,90,180,270}中的离散值,因此定义朝向属性类别标签C5(G)=θp/(π/2)+1,C5(G)∈{1,2,3,4}。
对于所有的家居场景案例,相同类型的二元组构成的集合称为一个训练集N表示布局属性的类型即二元组的类型,M表示室内区域的类型,num为该训练集的大小。训练集中的组成元素称为训练样本。设室内区域的类型有m种,每种室内区域对应n个布局属性,则有m*n个训练集。
步骤S2,训练布局预测模型;
步骤S21,构造布局得分函数:
布局得分函数
φ(G)=lnp(π(G)|F) 公式1
其中φ(G)表示当房间的形状特征为F时,室内区域G的一个布局属性π(G)的取值得分,即用一个分布p描述布局属性取值的概率分布。
步骤S22,按室内区域布局属性的类别训练布局预测模型。
在步骤S21小节所述的m*n个训练集上分别训练分类器得到表示每种功能区域的每种属性类别标签和房间几何特征内在联系的参数。在分类器的选择上,由于逻辑回归可以自然地处理多类别的问题,本方法使用多项逻辑回归(Multinomial Logistic Regression)训练分类器。
步骤S3,根据待布局房间的形状特征,用布局预测模型预测待布局区域的位置分布。
给定一个待布局的目标空间,设其房间形状几何特征为F,要求的布局属性为πt(Gj),t∈{1,...,n},j∈{1,...,m},布局预测模型将预测该布局属性取值的概率分布p(πt(Gj)|F),代入公式1,得到该布局属性的得分。
首先,将F输入对应的分类器该分类器将输出概率向量其中k为类别标签的类别个数。该概率向量描述所求布局属性属于每个类别标签的概率,进而得到一个概率分布直方图。接着,用核密度估计的方法将该直方图平滑化,将直方图转化为连续的概率密度函数,得到概率分布曲线。
设布局属性为πt,其属性类别标签集合为Ct,对应的聚类中心集合M={μi|i=1,...,k},类别数目|Ct|=k,直方图bin的集合为U,|U|=k,直方图第i个bin对应的频率为Pi'。对布局属性取值范围内的任意值s,它的概率密度计算公式如下:
其中,σi由μi三个最近邻的平均距离求得。
Claims (10)
1.一种数据驱动的室内区域布局预测方法,其特征在于,包括:
步骤1,提取家居场景案例库中所有房间的形状特征与室内区域的布局属性,构造布局预测模型训练集,其中所述布局预测模型训练集为<布局属性的类别标签,形状特征>二元组集合;
步骤2,根据所述布局预测模型训练集,训练布局预测模型,根据待布局房间的形状特征,通过所述布局预测模型预测待布局房间的室内区域的位置分布,以完成预测室内区域布局。
2.如权利要求1所述的数据驱动的室内区域布局预测方法,其特征在于,所述步骤1包括归一化的入口位置、面积、长宽比、形状伸展度。
3.如权利要求1所述的数据驱动的室内区域布局预测方法,其特征在于,所述布局属性包括位置坐标属性、尺寸属性、朝向属性。
4.如权利要求1所述的数据驱动的室内区域布局预测方法,其特征在于,所述步骤2包括构造布局得分函数:
φ(G)=lnp(π(G)|F)
其中φ(G)表示当房间的形状特征为F时,室内区域G的一个布局属性π(G)的取值得分,即用一个分布p描述布局属性取值的概率分布。
5.如权利要求4所述的数据驱动的室内区域布局预测方法,其特征在于,所述步骤2还包括使用多项逻辑回归训练分类器。
6.一种数据驱动的室内区域布局预测系统,其特征在于,包括:
构造布局预测模型训练集模块,用于提取家居场景案例库中所有房间的形状特征与室内区域的布局属性,构造布局预测模型训练集,其中所述布局预测模型训练集为<布局属性的类别标签,形状特征>二元组集合;
预测模块,用于根据所述布局预测模型训练集,训练布局预测模型,根据待布局房间的形状特征,通过所述布局预测模型预测待布局房间的室内区域的位置分布,以完成预测室内区域布局。
7.如权利要求6所述的数据驱动的室内区域布局预测系统,其特征在于,所述构造布局预测模型训练集模块包括归一化的入口位置、面积、长宽比、形状伸展度。
8.如权利要求6所述的数据驱动的室内区域布局预测系统,其特征在于,所述布局属性包括位置坐标属性、尺寸属性、朝向属性。
9.如权利要求6所述的数据驱动的室内区域布局预测系统,其特征在于,所述预测模块包括构造布局得分函数:
φ(G)=lnp(π(G)|F)
其中φ(G)表示当房间的形状特征为F时,室内区域G的一个布局属性π(G)的取值得分,即用一个分布p描述布局属性取值的概率分布。
10.如权利要求9所述的数据驱动的室内区域布局预测系统,其特征在于,所述预测模块还包括使用多项逻辑回归训练分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610828865.6A CN106650202B (zh) | 2016-09-18 | 2016-09-18 | 一种数据驱动的室内区域布局预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610828865.6A CN106650202B (zh) | 2016-09-18 | 2016-09-18 | 一种数据驱动的室内区域布局预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106650202A true CN106650202A (zh) | 2017-05-10 |
CN106650202B CN106650202B (zh) | 2019-03-12 |
Family
ID=58851896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610828865.6A Active CN106650202B (zh) | 2016-09-18 | 2016-09-18 | 一种数据驱动的室内区域布局预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106650202B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304848A (zh) * | 2018-01-10 | 2018-07-20 | 链家网(北京)科技有限公司 | 户型特征的自动提取方法、系统、电子设备和存储介质 |
CN108764741A (zh) * | 2018-06-01 | 2018-11-06 | 英特尔产品(成都)有限公司 | 用于确定工厂设定区域内的生产设备布局的方法及装置 |
CN109033652A (zh) * | 2018-08-02 | 2018-12-18 | 江苏艾佳家居用品有限公司 | 一种基于滑动窗特征与回归预测的室内自动布局方法 |
CN109871604A (zh) * | 2019-01-31 | 2019-06-11 | 浙江工商大学 | 基于深度对抗网络模型的室内功能区划分方法 |
CN110874496A (zh) * | 2020-01-20 | 2020-03-10 | 广东博智林机器人有限公司 | 基于强化学习的楼栋摆放方法、装置、存储介质及计算机设备 |
CN111091618A (zh) * | 2019-12-17 | 2020-05-01 | 吉林吉动盘古网络科技股份有限公司 | 基于户型数据驱动的组合式室内布局方法和系统 |
CN111104879A (zh) * | 2019-12-09 | 2020-05-05 | 贝壳技术有限公司 | 房屋功能间的识别方法和装置、可读存储介质、电子设备 |
CN113360970A (zh) * | 2021-05-10 | 2021-09-07 | 贵州电网有限责任公司 | 一种电力自动化机房屏柜的布局方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778538A (zh) * | 2012-10-17 | 2014-05-07 | 李兴斌 | 一种家具仿真布局方法和系统 |
CN104112124A (zh) * | 2014-07-15 | 2014-10-22 | 北京邮电大学 | 一种基于图像识别的室内定位方法与装置 |
CN105828024A (zh) * | 2015-01-10 | 2016-08-03 | 浙江大学 | 一种基于视频采集的多目标室内定位系统和定位方法 |
-
2016
- 2016-09-18 CN CN201610828865.6A patent/CN106650202B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778538A (zh) * | 2012-10-17 | 2014-05-07 | 李兴斌 | 一种家具仿真布局方法和系统 |
CN104112124A (zh) * | 2014-07-15 | 2014-10-22 | 北京邮电大学 | 一种基于图像识别的室内定位方法与装置 |
CN105828024A (zh) * | 2015-01-10 | 2016-08-03 | 浙江大学 | 一种基于视频采集的多目标室内定位系统和定位方法 |
Non-Patent Citations (3)
Title |
---|
周蕾等: "产品信息界面的用户感性预测模型", 《计算机集成制造系统》 * |
王运龙等: "船舶居住舱室智能布局优化设计方法研究", 《中国造船》 * |
陈光明等: "家居布局的层次化约束及其粒子群优化", 《计算机辅助设计与图形学学报1》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304848A (zh) * | 2018-01-10 | 2018-07-20 | 链家网(北京)科技有限公司 | 户型特征的自动提取方法、系统、电子设备和存储介质 |
CN108304848B (zh) * | 2018-01-10 | 2020-04-28 | 贝壳找房(北京)科技有限公司 | 户型特征的自动提取方法、系统、电子设备和存储介质 |
CN108764741A (zh) * | 2018-06-01 | 2018-11-06 | 英特尔产品(成都)有限公司 | 用于确定工厂设定区域内的生产设备布局的方法及装置 |
CN108764741B (zh) * | 2018-06-01 | 2019-10-18 | 英特尔产品(成都)有限公司 | 用于确定工厂设定区域内的生产设备布局的方法及装置 |
CN109033652A (zh) * | 2018-08-02 | 2018-12-18 | 江苏艾佳家居用品有限公司 | 一种基于滑动窗特征与回归预测的室内自动布局方法 |
CN109871604A (zh) * | 2019-01-31 | 2019-06-11 | 浙江工商大学 | 基于深度对抗网络模型的室内功能区划分方法 |
CN111104879A (zh) * | 2019-12-09 | 2020-05-05 | 贝壳技术有限公司 | 房屋功能间的识别方法和装置、可读存储介质、电子设备 |
CN111104879B (zh) * | 2019-12-09 | 2020-11-27 | 贝壳找房(北京)科技有限公司 | 房屋功能间的识别方法和装置、可读存储介质、电子设备 |
CN111091618A (zh) * | 2019-12-17 | 2020-05-01 | 吉林吉动盘古网络科技股份有限公司 | 基于户型数据驱动的组合式室内布局方法和系统 |
CN111091618B (zh) * | 2019-12-17 | 2020-08-28 | 吉林吉动盘古网络科技股份有限公司 | 基于户型数据驱动的组合式室内布局方法和系统 |
CN110874496A (zh) * | 2020-01-20 | 2020-03-10 | 广东博智林机器人有限公司 | 基于强化学习的楼栋摆放方法、装置、存储介质及计算机设备 |
CN113360970A (zh) * | 2021-05-10 | 2021-09-07 | 贵州电网有限责任公司 | 一种电力自动化机房屏柜的布局方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106650202B (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650202A (zh) | 一种数据驱动的室内区域布局预测方法及系统 | |
CN106446933B (zh) | 基于上下文信息的多目标检测方法 | |
Lu et al. | Bayesian areal wombling for geographical boundary analysis | |
Ge et al. | Enhanced subpixel mapping with spatial distribution patterns of geographical objects | |
CN106683102B (zh) | 基于脊波滤波器和卷积结构学习模型的sar图像分割方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN107180426A (zh) | 基于可迁移的多模型集成的计算机辅助肺结节分类方法 | |
JP2009251850A (ja) | 類似画像検索を用いた商品推薦システム | |
CN104038792B (zh) | 用于iptv监管的视频内容分析方法及设备 | |
CN108182436A (zh) | 一种高分辨率遥感图像分割方法 | |
Gagne et al. | Classification of convective areas using decision trees | |
CN106611421A (zh) | 基于特征学习和素描线段约束的sar图像分割方法 | |
CN103534711B (zh) | 用于改善分类器的分类结果的方法 | |
CN104008177B (zh) | 面向图像语义标注的规则库结构优化与生成方法及系统 | |
CN115081087B (zh) | 基于物联网的装修云设计方法、装置、设备及存储介质 | |
CN111488911A (zh) | 基于Mask R-CNN与GAN的图像实体抽取方法 | |
CN102074013A (zh) | 基于小波域多尺度Markov网模型的图像分割方法 | |
CN102722578B (zh) | 一种基于拉普拉斯正则化无监督的聚类特征选取方法 | |
CN103123685B (zh) | 文本模式识别方法 | |
Kettaf et al. | A comparison study of image segmentation by clustering techniques | |
CN107464247A (zh) | 一种基于g0分布的随机梯度变分贝叶斯sar图像分割方法 | |
Brezovan et al. | An adaptive method for efficient detection of salient visual object from color images | |
CN107292268A (zh) | 快速脊波反卷积结构学习模型的sar图像语义分割方法 | |
Hu et al. | Building extraction using mask scoring R-Cnn network | |
Albert et al. | Land use classification using conditional random fields for the verification of geospatial databases |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |