CN109409381B - 基于人工智能的家具顶视图的分类方法及系统 - Google Patents

基于人工智能的家具顶视图的分类方法及系统 Download PDF

Info

Publication number
CN109409381B
CN109409381B CN201811085146.5A CN201811085146A CN109409381B CN 109409381 B CN109409381 B CN 109409381B CN 201811085146 A CN201811085146 A CN 201811085146A CN 109409381 B CN109409381 B CN 109409381B
Authority
CN
China
Prior art keywords
top view
furniture
classification
characteristic information
image characteristic
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.)
Active
Application number
CN201811085146.5A
Other languages
English (en)
Other versions
CN109409381A (zh
Inventor
徐继平
王咏梅
陈江伟
王佳玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Every flat every house designer (Beijing) Technology Co.,Ltd.
Original Assignee
Lie Ping Designer Beijing Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lie Ping Designer Beijing Technology Co Ltd filed Critical Lie Ping Designer Beijing Technology Co Ltd
Priority to CN201811085146.5A priority Critical patent/CN109409381B/zh
Publication of CN109409381A publication Critical patent/CN109409381A/zh
Application granted granted Critical
Publication of CN109409381B publication Critical patent/CN109409381B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及家装设计技术领域。本发明一实施例提一种基于人工智能的家具顶视图的分类方法及系统，其中所述基于人工智能的家具顶视图的分类方法包括：获取家具的顶视图外轮廓；提取所述顶视图外轮廓的图像特征信息；基于分类网络和所述图像特征信息，对所述顶视图外轮廓进行分类，其中所述分类网络是以多种图像特征信息和其所对应的家具类型作为训练数据而训练的。由此，分类家具的顶视图外轮廓及顶视图，实现对外形相似的家具建立对应的dwg缩微图来替代投影图，提高dwg图纸转化过程中的稳定性和精确度。

Description

基于人工智能的家具顶视图的分类方法及系统
技术领域
本发明涉及家装设计技术领域，具体地涉及一种基于人工智能的家具顶视图的分类方法及系统。
背景技术
随着家装设计行业的不断发展，目前行业中需求将三维效果图转换成适用于CAD所使用的dwg图纸，以及不同形状、不同种类的家具在dwg图纸上能够标识出对应的不同的dwg缩微图。
为了实现该目标，目前一般是直接将家具顶视图投射在dwg图纸上，但顶视图的投影图过于复杂，而且包含不封闭轮廓、断线等问题，如果直接将此投影图布置在dwg图纸中，会导致后续处理dwg图纸时将非常不方便。
因此，如何替代投影图技术，以提高dwg图纸转化过程中的稳定性和精确度是目前业界的热门研究方向。
发明内容
本发明实施例的目的是提供一种基于人工智能的家具顶视图的分类方法及系统，分类家具的顶视图外轮廓，实现对外形相似的家具建立对应的dwg缩微图来替代投影图，提高dwg图纸转化过程中的稳定性和精确度。
为了实现上述目的，本发明实施例一方面提供了一种基于人工智能的家具顶视图的分类方法，包括：获取家具的顶视图外轮廓；提取所述顶视图外轮廓的图像特征信息；基于分类网络和所述图像特征信息，对所述顶视图外轮廓进行分类，其中所述分类网络是以多种图像特征信息和其所对应的家具类型作为训练数据而训练的。
本发明实施例另一方面提供一种基于人工智能的家具顶视图的分类系统，包括：顶视图外轮廓获取单元，用于获取家具的顶视图外轮廓；图像特征信息提取单元，用于提取所述顶视图外轮廓的图像特征信息；分类单元，用于基于分类网络和所述图像特征信息，对所述顶视图外轮廓进行分类，其中所述分类网络是以多种图像特征信息和其所对应的家具类型作为训练数据而训练的。
通过上述技术方案，获取家具的顶视图外轮廓并提取其所对应的图像特征信息，然后由以多种图像特征信息和其所对应的家具类型作为训练数据而训练而成的分类网络推导该图像特征信息或对应顶视图所对应的家具类型。由此，应用人工智能技术分类家具的顶视图，使得家具类型能够与外形特征相似的顶视图外轮廓或dwg缩微图集合相对应，替代了投影图技术，方便了dwg图纸转化并还能够提高dwg图纸转化过程中的稳定性和精确度。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明一实施例的基于人工智能的家具顶视图的分类方法的流程图；
图2是本发明一实施例中的双人床顶视图以及其二值化图的示例；
图3是本发明一实施例中的所提取的双人床顶视图的外轮廓的示例；
图4是本发明一实施例中关于顶视图外轮廓的图像特征信息缩放尺寸前/后的对比示例；
图5是使用经训练的深度残差模型Resnet50对桌子顶视图进行分类的一分类结果示例；
图6是本发明实施例方法中关于分类网络的训练步骤的流程图；
图7A是本发明实施例中使用无监督学习KMeans分类后的粗略分类结果的示例；
图7B是本发明实施例中使用无监督学习KMeans分类后的粗略分类结果的示例；
图8是本发明实施例的基于人工智能的家具顶视图的分类系统的结构框图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
如图1所示，本发明一实施例的基于人工智能的家具顶视图的分类方法，包括：
S11、获取家具的顶视图外轮廓。
本发明实施例方法的实施主体可以是专用于家装设计的终端或服务器；另外，其也可以是通用型终端或服务器，例如通过在电脑、手机等通用型终端或服务器装设家装设计软件而执行的，以上都属于本发明的保护范围内。
具体的，可以是通过获取家具的家具顶视图，并对家具顶视图进行二值化处理以输出对应的二值化图片，以及提取二值化图片中的外轮廓以生成顶视图外轮廓。
作为示例，可以是通过以下方式提取家具顶视图外轮廓：首先，将要处理的家具顶视图作为终端的输入；然后，将原图转换成二值黑白图。在图像处理中，OpenCV的python版本cv2提供函数接口cv2.cvtColor将原图转换成灰度图。同理，使用cv2的函数接口cv2.threshold将灰度图转换成二值黑白图(如图2所示的二值黑白图的效果图)；之后，从二值黑白图中提取出外轮廓，以生成顶视图外轮廓。作为示例，可以使用cv2的函数cv2.findContours()以及cv2.drawContours()提取外轮廓(如图3所示的外轮廓效果图)。
S12、提取顶视图外轮廓的图像特征信息。
如图4，其示出的是关于外轮廓的特征信息的示例，以下从顶视图外轮廓(如图3所示)中提取出特征信息的过程进一步说明：
考虑到外轮廓的图像大小不一致，而深度残差网络的输入是统一大小的图像尺寸，所以首先将所有的图像尺寸转换成统一的图像尺寸；一般情况下，如果直接采用按比例缩放的方式调节图像尺寸，这样会损失或者扭曲外轮廓的特征信息。在优选实施方式中，可以是将顶视图外轮廓缩放至预定的统一尺寸大小，并从经缩放的统一尺寸大小的顶视图外轮廓中提取图像特征信息，在图4中还示出了外轮廓的特征信息在经统一尺寸缩放前/后的对比的示例。作为示例，可以是使用cv2.copyMakeBorder()函数，这个函数可以将图像变大，而且以不同方式填充图像边界，从而避免损失/扭曲外轮廓的特征信息。
S13、基于分类网络和图像特征信息，对顶视图外轮廓进行分类，其中该分类网络是以多种图像特征信息和其所对应的家具类型作为训练数据而训练的。
可以理解的是，在本发明实施例中，使用训练好的分类网络去对所有家具的顶视图外轮廓进行分类，同时也就是对家具顶视图进行分类。
在一些实施方式中，可以是通过深度残差网络提取外轮廓的特征信息，考虑到外轮廓并不太复杂，因此本发明实施例中推荐可以使用Resnet50网络模型来提取外轮廓的特征信息。优选的，此深度残差网络Resnet50可以分为两部分，第一部分采用卷积网络来提取图片的特征信息，第二部分是使用全连接网络将特征信息进行分类的分类网络。
作为本发明实施例的进一步的优化，可以是在S13之后，该方法还包括：按照家具类别，展示对应于各个家具类别的dwg缩微图集合。如图5，其示出了使用经训练的深度残差模型Resnet50对其中一类家具(桌子)的顶视图分类结果(可以是包括图5所示的包含多个dwg缩微图的dwg缩微图集合)，使得模型设计师根据具体的分类结果设计不同的dwg缩微图，当然分类结果也还可以是以除图5之外的其他形式呈现，且都属于本发明的保护范围内。
在一些实施方式中，如图6所示，本发明实施例方法还提供了关于分类网络的训练步骤，具体包括：
S61、获取多个家具顶视图，并确定多个家具顶视图所分别对应的多个顶视图外轮廓。
S62、提取多个顶视图外轮廓所分别对应的多组图像特征信息。
优选地，为了避免损失/扭曲外轮廓的特征信息，外轮廓图片也可以是缩放和/或转换成统一大小的图片，具体可以参照上文实施例中针对图片大小的调节方式，在此便不赘述。
S63、基于KMeans算法和多组图像特征信息，对多个家具外轮廓进行分类并生成相应的粗略分类结果。
具体的，由于家具的种类繁多，即使同一种类型家具的外形也众多，因此模型设计师也并不清楚所有的形状需要分成多少类。为了解决这个问题，可以是使用机器学习方法对所有家具外轮廓进行分类作进一步说明：
根据以下的经验公式，确定需要将所有家具外轮廓分成多少类Nc；
Figure BDA0001802912110000051
其中，Nc为需要分成多少类，例如上限为50；NA为分类网络中所涉及的所有的家具种类的总数。
通过机器学习的无监督方法KMeans对家具外轮廓进行分类，由此得到对应的粗略分类结果；Python环境中的机器学习包scikit-learn提供成熟的函数来支持分类算法，相应地，在本实施例中，可以是推荐使用scikit-learn中cluster.KMeans()函数来进行分类，此函数的输入为所提取出的图片特征信息。由此，可以粗略地将所有家具外轮廓分成类，如图7A、7B所示粗略分类结果。
S64、获取从粗略分类结果中经人工筛选所得出的精细分类结果，并基于多组图像特征信息和其所对应的精细分类结果训练分类网络。
可以理解的是，在S63中通过使用机器学习的无监督方法KMeans所得到的分类结果可能并不可靠，而且精确性并不太高。因此该分类结果需要人为干预，排除明显的错误分类。经过人为干预和筛选后，更能准确地知道所有外轮廓需要分成多少类别。这一过程也是准备训练数据过程，这些训练数据是用于训练分类网络的，例如可以是微调训练深度残差分类模型Resnet50的上述第二部分，即全连接网络部分。由此，保障了分类网络的训练数据输入的高精确度，也保障了分类网络的高精确度的性能；另外，使得在应用该分类网络时，能够很精准地推导出对应的家具顶视图所对应的家具类型和该家具分类所对应的dwg缩微图集合(如图5所示)，最终模型设计师只需要根据具体的分类结果选择或设计对应的dwg缩微图，使得本发明实施例方法相比于投影技术更加简单易行。
在本发明实施例方法中，可以是基于深度残差网络提取顶视图外轮廓的特征信息，且确定初始分类数目时考虑经验公式，并且采用KMeans机器学习方法进行初步的分类，在检测分类结果后，利用分类结果以及微调技术对深度残差网络进行训练，使用训练好的深度残差网络对所有家具顶视图进行分类，从而可以有效提高分类准确度。
如图8所示，本发明一实施例提供的基于人工智能的家具顶视图的分类系统80，包括：顶视图外轮廓获取单元801，用于获取家具的顶视图外轮廓；图像特征信息提取单元802，用于提取所述顶视图外轮廓的图像特征信息；分类单元803，用于基于分类网络和所述图像特征信息，对所述顶视图外轮廓进行分类，其中所述分类网络是以多种图像特征信息和其所对应的家具类型作为训练数据而训练的。
在一些实施方式中，所述图像特征信息提取单元用于将所述顶视图外轮廓缩放至预定的尺寸大小，以及从经缩放的所述统一尺寸大小的所述顶视图外轮廓中提取图像特征信息。
在一些实施方式，该系统80还包括用于训练所述分类网络的训练单元804，具体包括：外轮廓获取模块，用于获取多个家具顶视图，并确定所述多个家具顶视图所分别对应的多个顶视图外轮廓；特征提取模块，用于提取所述多个顶视图外轮廓所分别对应的多组图像特征信息；粗分类模块，用于基于KMeans算法和所述多组图像特征信息，对所述多个家具外轮廓进行分类并生成相应的粗略分类结果；训练模块，用于获取从所述粗略分类结果中经人工筛选所得出的精细分类结果，并基于所述多组图像特征信息和其所对应的所述精细分类结果训练所述分类网络。
关于本发明的系统实施例的更具体的细节可以参照上文关于基于人工智能的家具顶视图的分类方法的描述，并能够实现与上述方法相同的效果，故在此便不再赘述。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (10)

1.一种基于人工智能的家具顶视图的分类方法，应用于将家具的三维效果图转化为二维图中，所述方法包括：
从家具的三维效果图中获取家具的顶视图外轮廓；
提取所述顶视图外轮廓的图像特征信息；
基于分类网络和所述图像特征信息，对所述顶视图外轮廓进行分类，以基于所述分类，在将三维效果图转化为二维图过程中，使得家具类型与外形特征相似的顶视图外轮廓相对应，其中所述分类网络是以多种图像特征信息和其所对应的家具类型作为训练数据而训练的。
2.根据权利要求1所述的方法，其中，所述获取家具的顶视图外轮廓包括：
获取家具的家具顶视图；
对所述家具顶视图进行二值化处理，以输出对应的二值化图片；以及
提取所述二值化图片中的外轮廓，以生成所述顶视图外轮廓。
3.根据权利要求1所述的方法，其中，提取所述顶视图外轮廓的图像特征信息包括
将所述顶视图外轮廓缩放至预定的统一尺寸大小；
从经缩放的所述统一尺寸大小的所述顶视图外轮廓中提取图像特征信息。
4.根据权利要求1所述的方法，其中，该方法还包括关于所述分类网络的训练步骤，具体包括：
获取多个家具顶视图，并确定所述多个家具顶视图所分别对应的多个顶视图外轮廓；
提取所述多个顶视图外轮廓所分别对应的多组图像特征信息；
基于KMeans算法和所述多组图像特征信息，对所述多个家具外轮廓进行分类并生成相应的粗略分类结果；
获取从所述粗略分类结果中经人工筛选所得出的精细分类结果，并基于所述多组图像特征信息和其所对应的所述精细分类结果训练所述分类网络。
5.根据权利要求4所述的方法，其中，所述基于KMeans算法和所述多组图像特征信息对所述多个家具外轮廓进行分类并生成相应的粗略分类结果包括：
根据分类网络中所涉及的所有的家具种类的总数，确定家具分类数量；
基于KMeans算法，生成对应于所述家具分类数量的粗略分类结果。
6.根据权利要求1-5中任一项所述的方法，其中，所述分类网络为全连接网络且被包含于深度残差网络中，以及所述深度残差网络还包括用于提取所述顶视图外轮廓的图像特征信息的卷积神经网络。
7.根据权利要求1-5中任一项所述的方法，其中，在所述对所述顶视图外轮廓进行分类之后，该方法还包括：
按照所述家具类别，展示对应于各个家具类别的包括dwg缩微图集合的顶视图分类结果。
8.一种基于人工智能的家具顶视图的分类系统，应用于将家具的三维效果图转化为二维图中，所述系统包括：
顶视图外轮廓获取单元，用于从家具的三维效果图中获取家具的顶视图外轮廓；
图像特征信息提取单元，用于提取所述顶视图外轮廓的图像特征信息；
分类单元，用于基于分类网络和所述图像特征信息，对所述顶视图外轮廓进行分类，以基于所述分类，在将三维效果图转化为二维图过程中，使得家具类型与外形特征相似的顶视图外轮廓相对应，其中所述分类网络是以多种图像特征信息和其所对应的家具类型作为训练数据而训练的。
9.根据权利要求8所述的系统，其中，所述图像特征信息提取单元用于将所述顶视图外轮廓缩放至预定的尺寸大小，以及从经缩放的统一尺寸大小的所述顶视图外轮廓中提取图像特征信息。
10.根据权利要求8所述的系统，其中，该系统还包括用于训练所述分类网络的训练单元，具体包括：
外轮廓获取模块，用于获取多个家具顶视图，并确定所述多个家具顶视图所分别对应的多个顶视图外轮廓；
特征提取模块，用于提取所述多个顶视图外轮廓所分别对应的多组图像特征信息；
粗分类模块，用于基于KMeans算法和所述多组图像特征信息，对所述多个家具外轮廓进行分类并生成相应的粗略分类结果；
训练模块，用于获取从所述粗略分类结果中经人工筛选所得出的精细分类结果，并基于所述多组图像特征信息和其所对应的所述精细分类结果训练所述分类网络。
CN201811085146.5A 2018-09-18 2018-09-18 基于人工智能的家具顶视图的分类方法及系统 Active CN109409381B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811085146.5A CN109409381B (zh) 2018-09-18 2018-09-18 基于人工智能的家具顶视图的分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811085146.5A CN109409381B (zh) 2018-09-18 2018-09-18 基于人工智能的家具顶视图的分类方法及系统

Publications (2)

Publication Number Publication Date
CN109409381A CN109409381A (zh) 2019-03-01
CN109409381B true CN109409381B (zh) 2021-06-15

Family

ID=65465845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811085146.5A Active CN109409381B (zh) 2018-09-18 2018-09-18 基于人工智能的家具顶视图的分类方法及系统

Country Status (1)

Country Link
CN (1) CN109409381B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476136B (zh) * 2020-03-31 2024-01-16 珠海格力电器股份有限公司 家具类型确定方法、装置、电子设备及可读存储介质
CN114429638B (zh) * 2022-04-06 2022-07-08 四川省大数据中心 一种施工图审查管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593205A (zh) * 2009-06-24 2009-12-02 清华大学 基于视频的三维模型检索方法
CN105279382A (zh) * 2015-11-10 2016-01-27 成都数联易康科技有限公司 一种医疗保险异常数据在线智能检测方法
CN108062553A (zh) * 2016-11-09 2018-05-22 鹦鹉无人机股份有限公司 包括用于经由神经网络确定目标的表示的设备的无人机、相关确定方法及计算机

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102420830A (zh) * 2010-12-16 2012-04-18 北京大学 一种p2p协议类型识别方法
CN103295017A (zh) * 2013-04-25 2013-09-11 哈尔滨工程大学 基于公路视频的车型识别方法
CN105046280B (zh) * 2015-08-10 2018-05-04 北京小豹科技有限公司 一种衣柜智能管理装置及方法
US20170337689A1 (en) * 2016-05-20 2017-11-23 Yung-Hui Li Method for validating segmentation of objects with arbitrary shapes
CN107563446B (zh) * 2017-09-05 2020-08-18 华中科技大学 一种微操作系统目标检测方法
CN107832795B (zh) * 2017-11-14 2021-07-27 深圳码隆科技有限公司 物品识别方法、系统以及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593205A (zh) * 2009-06-24 2009-12-02 清华大学 基于视频的三维模型检索方法
CN105279382A (zh) * 2015-11-10 2016-01-27 成都数联易康科技有限公司 一种医疗保险异常数据在线智能检测方法
CN108062553A (zh) * 2016-11-09 2018-05-22 鹦鹉无人机股份有限公司 包括用于经由神经网络确定目标的表示的设备的无人机、相关确定方法及计算机

Also Published As

Publication number Publication date
CN109409381A (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN107945185B (zh) 基于宽残差金字塔池化网络的图像分割方法及系统
CN108171104B (zh) 一种文字检测方法及装置
US9449253B2 (en) Learning painting styles for painterly rendering
TW201740316A (zh) 圖像文字的識別方法和裝置
Xiaofeng et al. Discriminatively trained sparse code gradients for contour detection
JP7482783B2 (ja) フォント作成装置、フォント作成方法及びフォント作成プログラム
CN107220641B (zh) 一种基于深度学习的多语言文本分类方法
CN107180443B (zh) 一种手绘动画生成方法及其装置
US11615515B2 (en) Superpixel merging
CN108596919B (zh) 一种基于深度图的自动图像分割方法
CN109409381B (zh) 基于人工智能的家具顶视图的分类方法及系统
JP2021536083A (ja) 深層モデルの訓練方法及びその装置、電子機器並びに記憶媒体
CN111027570B (zh) 一种基于细胞神经网络的图像多尺度特征提取方法
CN114299363A (zh) 图像处理模型的训练方法、图像分类方法及装置
CN117292020B (zh) 图像生成方法、装置、电子设备及存储介质
Ecormier‐Nocca et al. Accurate Synthesis of Multi‐Class Disk Distributions
CN116822548A (zh) 生成高识别率ai二维码的方法及计算机可读存储介质
CN108898045B (zh) 基于深度学习的手势识别的多标签图像预处理方法
CN110070103A (zh) 身份证识别的方法及终端设备
KR20160142460A (ko) 객체 인식 장치 및 방법
JP6151908B2 (ja) 学習装置、識別装置、およびそのプログラム
Law et al. Hybrid pooling fusion in the bow pipeline
KR101644426B1 (ko) 변형3d모델에 대응되는 원본3d모델 인식방법
CN107977929B (zh) 图像超分辨率处理方法和装置
Hoo et al. Enhanced random forest with image/patch-level learning for image understanding

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
TA01 Transfer of patent application right

Effective date of registration: 20190320

Address after: Room 2011, 20th Floor, No. 3, Dongzhimen South Street, Dongcheng District, Beijing

Applicant after: Beijing Designer Network Technology Co., Ltd.

Address before: 100007 Floor 1601, No. 16, No. 3, Dongzhimen South Street, Dongcheng District, Beijing

Applicant before: Beijing unexpectedly Home Yundihui New Retail Chain Co., Ltd.

TA01 Transfer of patent application right
CB02 Change of applicant information

Address after: Room 2011, 20 / F, A3 Dongzhimen South Street, Dongcheng District, Beijing

Applicant after: Lie Ping Designer (Beijing) Technology Co., Ltd

Address before: Room 2011, 20th Floor, No. 3, Dongzhimen South Street, Dongcheng District, Beijing

Applicant before: BEIJING HOMESTYLER NETWORK TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 100102 room 01, 3401, 34th floor, building 6, Wangjing Dongyuan Fourth District, Chaoyang District, Beijing

Patentee after: Every flat every house designer (Beijing) Technology Co.,Ltd.

Address before: Room 2011, 20th floor, A3 Dongzhimen South Street, Dongcheng District, Beijing

Patentee before: Lie Ping Designer (Beijing) Technology Co., Ltd

CP03 Change of name, title or address