CN110059721A - 户型图区域识别方法、装置、设备及计算机可读存储介质 - Google Patents
户型图区域识别方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110059721A CN110059721A CN201910205783.XA CN201910205783A CN110059721A CN 110059721 A CN110059721 A CN 110059721A CN 201910205783 A CN201910205783 A CN 201910205783A CN 110059721 A CN110059721 A CN 110059721A
- Authority
- CN
- China
- Prior art keywords
- floor plan
- dimentional
- region recognition
- region
- line training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
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
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)
- Image Analysis (AREA)
Abstract
本发明属于人工智能技术领域,公开了一种户型图区域识别方法,包括:获取待训练的二维户型图样本,并基于所述待训练的二维户型图样本对预设的区域识别模型进行离线训练;获取待识别的二维户型图;基于离线训练后的所述区域识别模型对所述二维户型图进行识别,并输出所述二维户型图对应的区域信息。本发明还公开了一种户型图区域识别装置、设备及计算机可读存储介质。本发明提高了户型图中的区域识别的准确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种户型图区域识别方法、装置、设备及计算机可读存储介质。
背景技术
随着房地产开发商之间的竞争越来越激烈,一份专业的户型分析将促使购房者更快的买到自己心仪的住房,然而传统的户型分析需要耗费大量的人力与财力,并且现有技术中对平面户型图中的区域进行识别的效果差强人意,因此,如何对户型图中的各功能区域进行识别,以便进一步地根据识别出功能区域的户型图进行户型分析,是亟需解决的问题。
发明内容
本发明的主要目的在于提供一种户型图区域识别方法、装置、设备及计算机可读存储介质,旨在解决现有技术中户型图中的区域识别准确率低的技术问题。
为实现上述目的,本发明提供一种户型图区域识别方法,所述户型图区域识别方法包括:
获取待训练的二维户型图样本,并基于所述待训练的二维户型图样本对预设的区域识别模型进行离线训练;
获取待识别的二维户型图;
基于离线训练后的所述区域识别模型对所述二维户型图进行识别,并输出所述二维户型图对应的区域信息。
可选地,所述获取待训练的二维户型图样本,并基于所述待训练的二维户型图样本对预设的区域识别模型进行离线训练的步骤包括:
获取待训练的二维户型图样本,其中,所述待训练的二维户型图样本带有区域标注信息;
基于所述二维户型图样本对预设的区域识别模型进行离线训练,以便所述预设的区域识别模型输出所述二维户型图样本的区域信息;
当检测到所述预设的区域识别模型开始收敛时,确认所述预设的区域识别模型离线训练完成。
可选地,所述获取待训练的二维户型图样本,并基于所述待训练的二维户型图样本对预设的区域识别模型进行离线训练的步骤之后,还包括:
保存所述离线训练后的区域识别模型。
可选地,所述获取待识别的二维户型图的步骤包括:
当接收到基于二维户型图的区域识别请求时,获取所述区域识别请求对应的二维户型图。
可选地,所述基于离线训练后的所述区域识别模型对所述二维户型图进行识别,并输出所述二维户型图对应的区域信息的步骤包括:
对所述二维户型图进行预处理;
将预处理后的所述二维户型图输入至预设的卷积神经网络中,以便所述预设的卷积神经网络输出所述二维户型图的特征图;
基于区域候选网络RPN对所述特征图进行识别,以确定所述二维户型图对应的区域信息。
可选地,所述基于区域候选网络RPN对所述特征图进行识别,以确定所述二维户型图对应的区域信息的步骤包括:
基于区域候选网络RPN对所述特征图进行检测,确定目标区域;
通过全连接算法对所述目标区域进行检测,确定所述目标区域中对应的区域信息。
可选地,所述基于离线训练后的所述区域识别模型对所述二维户型图进行识别,并输出所述二维户型图对应的区域信息的步骤之后,还包括:
获取预设的户型分析数据库;
基于所述户型分析数据库生成所述区域信息对应的户型分析。
此外,为实现上述目的,本发明还提供一种户型图区域识别装置,所述户型图区域识别装置包括:
离线训练模块,用于获取待训练的二维户型图样本,并基于所述待训练的二维户型图样本对预设的区域识别模型进行离线训练;
户型图获取模块,用于获取待识别的二维户型图;
区域识别模块,用于基于离线训练后的所述区域识别模型对所述二维户型图进行识别,并输出所述二维户型图对应的区域信息。
此外,为实现上述目的,本发明还提供一种户型图区域识别设备,所述户型图区域识别设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的户型图区域识别程序,所述户型图区域识别程序被所述处理器执行时实现如上所述的户型图区域识别方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有户型图区域识别程序,所述户型图区域识别程序被处理器执行时实现如上所述的户型图区域识别方法的步骤。
本发明属于人工智能技术领域,提出了一种户型图区域识别方法,首先,获取待训练的二维户型图样本,并基于待训练的二维户型图样本完成对预设的区域识别模型的离线训练,进一步地,获取待识别的二维户型图,并将该二维户型图输入至离线训练后的区域识别模型中进行识别,最终输出该二维户型图中对应的区域信息。本发明提出的户型图区域识别方法,通过二维户型图样本,事先对预设的区域识别模型进行离线训练,有效地提高了区域识别模型后续进行在线识别的速度,也提高了户型图中的区域识别的准确率。
附图说明
图1为本发明实施例方案中涉及的户型图区域识别设备的硬件结构示意图;
图2为本发明户型图区域识别方法第一实施例的流程示意图;
图3为图2中的步骤S10的细化流程示意图;
图4为本发明户型图区域识别方法第二实施例的流程示意图;
图5为本发明户型图区域识别装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本发明实施例的主要解决方案是:获取待训练的二维户型图样本,并基于所述待训练的二维户型图样本对预设的区域识别模型进行离线训练;获取待识别的二维户型图;基于离线训练后的所述区域识别模型对所述二维户型图进行识别,并输出所述二维户型图对应的区域信息。通过本发明实施例的技术方案,解决了现有技术中户型图中的区域识别准确率低的技术问题。
如图1所示,图1为本发明实施例方案中涉及的户型图区域识别设备的硬件结构示意图。
本发明实施例涉及的户型图区域识别方法主要应用于户型图区域识别设备,该户型图区域识别设备可以是PC、便携计算机、移动终端等具有显示和处理功能的设备。
如图1所示,该户型图区域识别设备可以包括:处理器1001,例如CPU,通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,户型图区域识别设备还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、Wi-Fi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。当然,户型图区域识别设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的户型图区域识别设备结构并不构成对户型图区域识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及户型图区域识别程序。在图1中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001、存储器1005可以设置在户型图区域识别装置中,所述户型图区域识别装置通过处理器1001调用存储器1005中存储的户型图区域识别程序,并执行本发明实施例提供的户型图区域识别方法。
本实施例提供的方案,首先,获取待训练的二维户型图样本,并基于待训练的二维户型图样本完成对预设的区域识别模型的离线训练,进一步地,获取待识别的二维户型图,并将该二维户型图输入至离线训练后的区域识别模型中进行识别,最终输出该二维户型图中对应的区域信息。本发明提出的户型图区域识别方法,通过二维户型图样本,事先对预设的区域识别模型进行离线训练,有效地提高了区域识别模型后续进行在线识别的速度,也提高了户型图中的区域识别的准确率。
基于上述硬件结构,提出本发明户型图区域识别方法实施例。
参照图2,图2为本发明户型图区域识别方法第一实施例的流程示意图,在该实施例中,所述方法包括:
步骤S10,获取待训练的二维户型图样本,并基于所述待训练的二维户型图样本对预设的区域识别模型进行离线训练;
为了解决现有的二维户型图中区域识别率低的问题,本发明提出了一种户型图区域识别方法,通过二维户型图样本对预设的区域识别模型进行离线训练,以便基于离线训练后的区域识别模型对二维户型图进行在线识别,并输出其中的区域信息。
具体地,如图3所示,所述步骤S10具体包括:
步骤S11,获取待训练的二维户型图样本,其中,所述待训练的二维户型图样本带有区域标注信息;
首先,通过待训练的二维户型图样本对预设的区域识别模型进行离线训练,具体地,该样本是带有少量标注信息的二维户型图样本,其中的标注可以是对墙体、装饰组件、户型尺寸和户型区域等进行标注。
步骤S12,基于所述二维户型图样本对预设的区域识别模型进行离线训练,以便所述预设的区域识别模型输出所述二维户型图样本的区域信息;
通过将上述带区域标注信息的二维户型图样本输入至预设的区域识别模型中进行离线训练,该预设的区域识别模型输出的结果是识别出该二维户型图中的各个户型区域,如厨房、客厅、房间等,具体地,在本实施例中,对预设的区域识别模型进行离线训练所采用的算法是Faster R-CNN,过程如下:
首先,对输入的二维户型图样本进行预处理,主要包括去均值、归一化及白化处理,去均值的目的是把输入的样本数据中各个维度都中心化为0,即把样本中的中心拉回到坐标系原点上;归一化的目的是将数据的幅度归一化到同样的范围,减少各维度数据取值范围的差异而带来的干扰;白化是对数据各个特征轴上的幅度归一化。通过上述步骤,对待训练的二维户型图样本进行了特征加强。
进一步地,将预处理后的二维户型图样本输入至预设的卷积神经网络中,进行特征图的提取。具体地,在本实施例中,预设的卷积神经网络包括13个卷积层、13个激励层和4个池化层,对于卷积层的卷积核kernel为3*3,填充值为1,填充值的作用是为了使卷积层不改变输入和输出矩阵大小;池化层的卷积核为2*2,步幅为2*2。通过对二维户型图样本进行卷积、激励、池化等操作,可得到一个特征向量,该特征向量即表征了该二维户型图样本对应的特征图的向量信息。
进一步地,将上述获得的特征图输入至RPN(区域候选网络)中,进行户型区域的初步定位与识别。首先,将上述特征图进行一个3*3的卷积计算,获得一个256维的向量,再基于尺度变换的方式计算这256维向量每个像素的9个anchors(候选窗口),以便基于softmax对anchors进行分类,确定anchors的foreground(前景)和background(背景);同时,计算对于anchors的bounding box regression偏移量,以此初步确定候选区域;最后,基于foreground anchors和bounding box regression偏移量获取目标区域,并剔除太小和超出边界的目标区域,得到最终的目标区域,即完成了二维户型图中的功能区域初步定位。
进一步地,对上述完成户型区域初步定位与识别的特征图和经过预设的卷积神经网络所获得的特征图,进行max_pooling(最大池化)处理,以便输出固定大小的特征图,在本实施例中,具体是指7*7的特征图,因此,输入至预设的区域识别模型中的二维户型图样本可以是任意大小的图片。
进一步地,对上一步获得的固定大小的特征图进行更细化的定位与识别。具体地,利用获得的候选区域的特征图,通过full connect(全连接)层与soft max计算每个候选区域具体是属于哪一个类别,例如厨房、房间、客厅等。同时,还可以再次利用bounding boxregression获得目标区域最终的精确位置,用于更加精确的目标区域确定。
步骤S13,当检测到所述预设的区域识别模型开始收敛时,确认所述预设的区域识别模型离线训练完成。
基于以上过程,通过二维户型图样本对预设的区域识别模型不断地进行离线训练,离线训练过程中,当检测到预设的区域识别模型开始收敛时,即可判定当前离线训练完成,具体地,判定预设的区域识别模型收敛可以包括但不限于以下几种情况:训练次数达到了预设次数、训练时间达到了预设时间、训练的损失函数趋近于零,具体可根据实际情况进行设置。
进一步地,当确定预设的区域识别模型的离线训练完成后,保存该离线训练后的区域识别模型,以便将其用于二维户型图的在线区域识别中。
步骤S20,获取待识别的二维户型图;
当用户或工作人员需要进行户型图的区域识别时,即可在区域识别终端中进行操作,上传需进行区域识别的二维户型图,并触发户型图区域识别指令,其中,该区域识别终端可以是个人计算机、手机、平板电脑等。当区域识别终端接收到基于二维户型图的区域识别请求时,即可获取该区域识别请求对应的二维户型图,并将其放入预设的区域识别模型中,以便该预设的区域识别模型将二维户型图中的区域一一识别出来。
步骤S30,基于离线训练后的所述区域识别模型对所述二维户型图进行识别,并输出所述二维户型图对应的区域信息。
在本实施例中,使用离线训练后的区域识别模型对输入的二维户型图进行区域识别,以输出其中的区域信息。
具体地,通过使用离线训练后的区域识别模型对输入的二维户型图进行区域识别的步骤,与上述离线训练过程中的步骤相同。首先,通过对二维户型图进行预处理,主要包括去均值、归一化及白化处理等,对二维户型图进行特征加强;其次,将预处理后的二维户型图输入至预设的卷积神经网络中,预设的卷积神经网络包括13个卷积层、13个激励层和4个池化层,通过对二维户型图样本进行卷积、激励、池化等操作,进行特征图的提取;进一步地,利用RPN确定特征图中的区域及其所在位置;最后,通过full connect(全连接)层与soft max计算每个区域具体是属于哪一个类别,对识别出来的区域进行更细化的定位,并输出识别出来的二维户型图所对应的区域信息。
可以理解的是,在本实施例中,在通过full connect(全连接)层进行目标区域的判断时,还采用了SVD(Singular Value Decomposition,奇异值分解)算法进行分解以加速全连接层的计算,在目标检测过程中,几乎有一半的前向计算时间用于全连接层,就FasterR-CNN而言,ROI池化层后的全连接层需要进行约2k次计算,因此,在Faster R-CNN中采用SVD算法对计算过程进行分解可以加速全连接层的计算。
具体地,目标物体的分类和窗口回归都是通过全连接层实现的,假设全连接层的输入数据为x,输出数据为y,全连接层参数为W,尺寸为u×v,则该层的全连接计算为y=Wx,计算复杂度为u×v。若将W进行SVD分解,并用前t个特征值近似代替,即:W=U∑VT≈U(u,1:t)*∑(1:t,1:t)*V(v,1:t)T,那么原来的前向传播分解成两步:y=Wx=U*(∑·VT)*x=U*z,计算复杂度为u×t+v×t,若t<min(u,v),则这种分解会大大减少计算量。在实现时,相当于把一个全连接层拆分为两个全连接层,第一个全连接层不含偏置,第二个全连接层含偏置。
在本实施例中,首先,获取待训练的二维户型图样本,并基于待训练的二维户型图样本完成对预设的区域识别模型的离线训练,进一步地,获取待识别的二维户型图,并将该二维户型图输入至离线训练后的区域识别模型中进行识别,最终输出该二维户型图中对应的区域信息。本发明提出的户型图区域识别方法,通过二维户型图样本,事先对预设的区域识别模型进行离线训练,有效地提高了区域识别模型后续进行在线识别的速度,也提高了户型图中的区域识别的准确率。
进一步的,参照图4,基于上述实施例,提出本发明户型图区域识别方法第二实施例,在本实施例中,所述步骤S30之后,还包括:
步骤S40,获取预设的户型分析数据库;
在本实施例中,预设有一个户型分析数据库,该户型分析数据库可以是基于之前对户型图所做的户型分析的总结,户型分析数据库存储了大量的对不同区域面积、不同户型面积、不同大小比例的区域、不同区域朝向的户型图的户型分析指南,通过区域识别模型识别出的区域信息,确定该待识别的二维户型图对应的户型,以便将其放入户型分析数据库进行匹配,确定该二维户型图对应的户型分析指南。
步骤S50,基于所述户型分析数据库生成所述区域信息对应的户型分析。
当基于离线训练后的区域识别模型输出了二维户型图中的区域信息之后,例如房间、厨房、客厅等区域信息,还可以进一步地通过确定该区域的尺寸确定该区域的面积,以及确定整个户型的面积,形成一个完成的二维户型图。
进一步地,将该二维户型图的户型信息放入预设的户型分析数据库进行匹配,户型信息可以包括区域面积、户型面积、区域的大小比例、各区域朝向及房间数等。基于该户型信息在预设的户型分析数据库中进行相似度计算,将相似度最高的户型所对应的户型分析作为该二维户型图所对应的户型分析指南,其中可包括户型面积大小,各区域所占比例及住房舒适度等,为购房者提供参考。
在本实施例中,当通过离线训练后的区域识别模型进行二维户型图中的区域信息在线识别,并输出该二维户型图的区域信息后,结合预设的户型分析数据库进行户型相似度匹配,确定该二维户型图的户型分析指南,为购房者提供准确、快速的户型分析。
此外,本发明实施例还提供一种户型图区域识别装置。
参照图5,图5为本发明户型图区域识别装置第一实施例的功能模块示意图。
本实施例中,所述户型图区域识别装置包括:
离线训练模块10,用于获取待训练的二维户型图样本,并基于所述待训练的二维户型图样本对预设的区域识别模型进行离线训练;
户型图获取模块20,用于获取待识别的二维户型图;
区域识别模块30,用于基于离线训练后的所述区域识别模型对所述二维户型图进行识别,并输出所述二维户型图对应的区域信息。
进一步地,所述离线训练模块10具体包括:
户型图样本获取单元,用于获取待训练的二维户型图样本,其中,所述待训练的二维户型图样本带有区域标注信息;
离线训练单元,用于基于所述二维户型图样本对预设的区域识别模型进行离线训练,以便所述预设的区域识别模型输出所述二维户型图样本的区域信息;
离线训练完成单元,用于当检测到所述预设的区域识别模型开始收敛时,确认所述预设的区域识别模型离线训练完成。
进一步地,所述户型图区域识别装置还包括:
模型保存单元,用于保存所述离线训练后的区域识别模型。
进一步地,所述户型图获取模块20具体包括:
户型图获取单元,用于当接收到基于二维户型图的区域识别请求时,获取所述区域识别请求对应的二维户型图。
进一步地,所述区域识别模块30具体包括:
预处理单元,用于对所述二维户型图进行预处理;
特征图提取单元,用于将预处理后的所述二维户型图输入至预设的卷积神经网络中,以便所述预设的卷积神经网络输出所述二维户型图的特征图;
特征图识别单元,用于基于区域候选网络RPN对所述特征图进行识别,以确定所述二维户型图对应的区域信息。
进一步地,所述特征图识别单元具体包括:
目标区域确定子单元,用于基于区域候选网络RPN对所述特征图进行检测,确定目标区域;
目标区域检测子单元,用于通过全连接算法对所述目标区域进行检测,确定所述目标区域中对应的区域信息。
进一步地,所述户型图区域识别装置还包括:
数据库获取单元,用于获取预设的户型分析数据库;
户型分析单元,用于基于所述户型分析数据库生成所述区域信息对应的户型分析。
其中,上述户型图区域识别装置中各个模块与上述户型图区域识别方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有户型图区域识别程序,所述户型图区域识别程序被处理器执行时实现如上所述的户型图区域识别方法的步骤。
其中,户型图区域识别程序被执行时所实现的方法可参照本发明户型图区域识别方法的各个实施例,此处不再赘述。
本实施例提供的方案,首先,获取待训练的二维户型图样本,并基于待训练的二维户型图样本完成对预设的区域识别模型的离线训练,进一步地,获取待识别的二维户型图,并将该二维户型图输入至离线训练后的区域识别模型中进行识别,最终输出该二维户型图中对应的区域信息。本发明提出的户型图区域识别方法,通过二维户型图样本,事先对预设的区域识别模型进行离线训练,有效地提高了区域识别模型后续进行在线识别的速度,也提高了户型图中的区域识别的准确率。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种户型图区域识别方法,其特征在于,所述户型图区域识别方法包括以下步骤:
获取待训练的二维户型图样本,并基于所述待训练的二维户型图样本对预设的区域识别模型进行离线训练;
获取待识别的二维户型图;
基于离线训练后的所述区域识别模型对所述二维户型图进行识别,并输出所述二维户型图对应的区域信息。
2.如权利要求1所述的户型图区域识别方法,其特征在于,所述获取待训练的二维户型图样本,并基于所述待训练的二维户型图样本对预设的区域识别模型进行离线训练的步骤包括:
获取待训练的二维户型图样本,其中,所述待训练的二维户型图样本带有区域标注信息;
基于所述二维户型图样本对预设的区域识别模型进行离线训练,以便所述预设的区域识别模型输出所述二维户型图样本的区域信息;
当检测到所述预设的区域识别模型开始收敛时,确认所述预设的区域识别模型离线训练完成。
3.如权利要求1所述的户型图区域识别方法,其特征在于,所述获取待训练的二维户型图样本,并基于所述待训练的二维户型图样本对预设的区域识别模型进行离线训练的步骤之后,还包括:
保存所述离线训练后的区域识别模型。
4.如权利要求1所述的户型图区域识别方法,其特征在于,所述获取待识别的二维户型图的步骤包括:
当接收到基于二维户型图的区域识别请求时,获取所述区域识别请求对应的二维户型图。
5.如权利要求1所述的户型图区域识别方法,其特征在于,所述基于离线训练后的所述区域识别模型对所述二维户型图进行识别,并输出所述二维户型图对应的区域信息的步骤包括:
对所述二维户型图进行预处理;
将预处理后的所述二维户型图输入至预设的卷积神经网络中,以便所述预设的卷积神经网络输出所述二维户型图的特征图;
基于区域候选网络RPN对所述特征图进行识别,以确定所述二维户型图对应的区域信息。
6.如权利要求5所述的户型图区域识别方法,其特征在于,所述基于区域候选网络RPN对所述特征图进行识别,以确定所述二维户型图对应的区域信息的步骤包括:
基于区域候选网络RPN对所述特征图进行检测,确定目标区域;
通过全连接算法对所述目标区域进行检测,确定所述目标区域中对应的区域信息。
7.如权利要求1所述的户型图区域识别方法,其特征在于,所述基于离线训练后的所述区域识别模型对所述二维户型图进行识别,并输出所述二维户型图对应的区域信息的步骤之后,还包括:
获取预设的户型分析数据库;
基于所述户型分析数据库生成所述区域信息对应的户型分析。
8.一种户型图区域识别装置,其特征在于,所述户型图区域识别装置包括:
离线训练模块,用于获取待训练的二维户型图样本,并基于所述待训练的二维户型图样本对预设的区域识别模型进行离线训练;
户型图获取模块,用于获取待识别的二维户型图;
区域识别模块,用于基于离线训练后的所述区域识别模型对所述二维户型图进行识别,并输出所述二维户型图对应的区域信息。
9.一种户型图区域识别设备,其特征在于,所述户型图区域识别设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的户型图区域识别程序,所述户型图区域识别程序被所述处理器执行时实现如权利要求1至7中任一项所述的户型图区域识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有户型图区域识别程序,所述户型图区域识别程序被处理器执行时实现如权利要求1至7中任一项所述的户型图区域识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910205783.XA CN110059721A (zh) | 2019-03-16 | 2019-03-16 | 户型图区域识别方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910205783.XA CN110059721A (zh) | 2019-03-16 | 2019-03-16 | 户型图区域识别方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110059721A true CN110059721A (zh) | 2019-07-26 |
Family
ID=67317089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910205783.XA Pending CN110059721A (zh) | 2019-03-16 | 2019-03-16 | 户型图区域识别方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059721A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633553A (zh) * | 2019-10-09 | 2019-12-31 | 郑豪 | 一种住宅户型平面图自动生成方法和系统 |
CN111798340A (zh) * | 2020-06-24 | 2020-10-20 | 北京字节跳动网络技术有限公司 | 户型图标识方法、装置和电子设备 |
CN116137066A (zh) * | 2023-03-17 | 2023-05-19 | 东易日盛家居装饰集团股份有限公司 | 基于机器学习的户型图功能区智能识别方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844614A (zh) * | 2017-01-18 | 2017-06-13 | 天津中科智能识别产业技术研究院有限公司 | 一种户型图功能区域快速识别系统 |
WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
CN109446218A (zh) * | 2018-09-25 | 2019-03-08 | 中国平安人寿保险股份有限公司 | Sql语句生成方法、装置及计算机可读存储介质 |
-
2019
- 2019-03-16 CN CN201910205783.XA patent/CN110059721A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
CN106844614A (zh) * | 2017-01-18 | 2017-06-13 | 天津中科智能识别产业技术研究院有限公司 | 一种户型图功能区域快速识别系统 |
CN109446218A (zh) * | 2018-09-25 | 2019-03-08 | 中国平安人寿保险股份有限公司 | Sql语句生成方法、装置及计算机可读存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633553A (zh) * | 2019-10-09 | 2019-12-31 | 郑豪 | 一种住宅户型平面图自动生成方法和系统 |
CN110633553B (zh) * | 2019-10-09 | 2023-07-18 | 郑豪 | 一种住宅户型平面图自动生成方法和系统 |
CN111798340A (zh) * | 2020-06-24 | 2020-10-20 | 北京字节跳动网络技术有限公司 | 户型图标识方法、装置和电子设备 |
CN116137066A (zh) * | 2023-03-17 | 2023-05-19 | 东易日盛家居装饰集团股份有限公司 | 基于机器学习的户型图功能区智能识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961009B (zh) | 基于深度学习的行人检测方法、系统、装置及存储介质 | |
CN111401516B (zh) | 一种神经网络通道参数的搜索方法及相关设备 | |
CN108038880B (zh) | 用于处理图像的方法和装置 | |
US9349076B1 (en) | Template-based target object detection in an image | |
CN107633204A (zh) | 人脸遮挡检测方法、装置及存储介质 | |
CN108304758A (zh) | 人脸特征点跟踪方法及装置 | |
CN110059721A (zh) | 户型图区域识别方法、装置、设备及计算机可读存储介质 | |
CN111414915B (zh) | 一种文字识别方法以及相关设备 | |
CN110175255A (zh) | 图像标注的方法、基于病理图像的标注展示方法及装置 | |
CN107633205A (zh) | 嘴唇动作分析方法、装置及存储介质 | |
CN110033018A (zh) | 图形相似度判断方法、装置及计算机可读存储介质 | |
CN109325456A (zh) | 目标识别方法、装置、目标识别设备及存储介质 | |
CN109598249A (zh) | 服饰检测方法和装置、电子设备、存储介质 | |
CN110096949A (zh) | 户型图智能识别方法、装置、设备及计算机可读存储介质 | |
US11941838B2 (en) | Methods, apparatuses, devices and storage medium for predicting correlation between objects | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN111985518A (zh) | 门窗检测方法及其模型训练的方法、装置 | |
CN110827236A (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
CN111783626A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN110135889A (zh) | 智能推荐书单的方法、服务器及存储介质 | |
CN110059212A (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
US20220300774A1 (en) | Methods, apparatuses, devices and storage media for detecting correlated objects involved in image | |
US20220044010A1 (en) | Weakly supervised semantic parsing | |
CN114821551A (zh) | 遗留物检测以及模型训练方法、装置和存储介质 | |
CN108875704B (zh) | 用于处理图像的方法和装置 |
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 |