CN110111426A - 一种动静分离格局房屋的确定方法和装置 - Google Patents
一种动静分离格局房屋的确定方法和装置 Download PDFInfo
- Publication number
- CN110111426A CN110111426A CN201910313852.9A CN201910313852A CN110111426A CN 110111426 A CN110111426 A CN 110111426A CN 201910313852 A CN201910313852 A CN 201910313852A CN 110111426 A CN110111426 A CN 110111426A
- Authority
- CN
- China
- Prior art keywords
- house
- separate pattern
- functional attributes
- neural network
- type
- 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 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 65
- 230000006870 function Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 210000004218 nerve net Anatomy 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 6
- 230000009471 action Effects 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000006854 communication Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Radar, Positioning & Navigation (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Computer Graphics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种动静分离格局房屋的确定方法和装置。该方法包括获取目标户型对应的三维模型,在三维模型中获取目标户型内各房屋所对应的图像;将图像输入至第一预设神经网络,根据第一预设神经网络输出的陈设物品的种类,确定房屋对应的功能属性;若根据各房屋对应的功能属性,以及各房屋的位置数据,判断获知满足预设规则,则确定目标户型为动静分离格局,并根据预设的显示方式进行房屋显示。本发明基于深度学习的图像识别算法来训练第一预设神经网络,使得第一预设神经网络具有判断该房屋中陈设物品种类的功能,利用第一预设神经网络的输出结果确定该目标户型是否为动静分区户型,能够提供全面且个性化的信息,提高看房效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种动静格局房屋的确定方法和装置。
背景技术
目前,一些基于计算机技术的看房方式可以提高看房效率。例如包括,三维户型鉴赏系统可以把实际户型以逼真的三维样式展示出来,该系统包括:户型详细尺寸信息显示、阳光朝向、承重墙显示、360度旋转观看、放大缩小、方向显示等功能。基于这些功能,购房者可以轻松、直观地了解户型格局。交互式三维沙盘展示系统,将拟建楼盘1:1精确地仿真于计算机平台上,包括全景鸟瞰、周边环境展示等功能。通过简单的操作即可了解更为详细的楼盘信息,使楼盘更加直观的展现。进一步地,为了解决采用计算机平面的显示图看三维的房子仍然难以有很直观的感觉的问题,采用虚拟现实(简称VR)技术实现用户虚拟看房。VR技术是一种可以创建和体验虚拟世界的计算机仿真系统,它利用计算机生成一种模拟环境,是一种多源信息融合的、交互式的三维动态视景和实体行为的系统仿真使用户沉浸到该环境中。通过VR技术,用户可以体验沉浸其中的看房视觉体验。
但采用现有技术的上述各方案,仍不能满足用户在看房过程中的一些特殊需求。例如有些用户对“动静分离格局”的房屋比较青睐,但是现有技术中的各看房方案均不能提供目标户型是否为“动静分离格局”的特点,无法满足用户的看房个性化需求。
在用户看房过程中,如何为用户提供全面且个性化的房屋特点信息,例如房屋是否为“动静分离格局”,成为业界亟待解决的技术问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种动静分离格局房屋的确定方法和装置。
第一方面,本发明实施例提供一种动静分离格局房屋的确定方法,包括:
获取目标户型对应的三维模型,在所述三维模型中获取所述目标户型内各房屋所对应的图像,所述图像中包括陈设物品;
将所述图像输入至第一预设神经网络,根据所述第一预设神经网络输出的陈设物品的种类,确定所述房屋对应的功能属性;其中,所述第一预设神经网络是根据多个带有陈设物品标签的样本图像进行训练获得的;
若根据各房屋对应的功能属性,以及各房屋的位置数据,判断获知满足预设规则,则确定所述目标户型为动静分离格局,并根据预设的显示方式进行房屋显示;
其中,所述预设规则为根据各房屋的位置数据,确定出各房屋所包括的区域范围;若具有归属于动区的功能属性的各房屋所对应的区域范围彼此连通,且具有归属于静区的功能属性的各房屋所对应的区域范围彼此连通,则确定所述目标户型为动静分离格局。
第二方面,本发明实施例提供一种动静分离格局房屋的确定装置,包括:
第一处理模块,用于获取目标户型对应的三维模型,在所述三维模型中获取所述目标户型内各房屋所对应的图像,所述图像中包括陈设物品;
第二处理模块,用于将所述图像输入至第一预设神经网络,根据所述第一预设神经网络输出的陈设物品的种类,确定所述房屋对应的功能属性;其中,所述第一预设神经网络是根据多个带有陈设物品标签的样本图像进行训练获得的;
第三处理模块,用于若根据各房屋对应的功能属性,以及各房屋的位置数据,判断获知满足预设规则,则确定所述目标户型为动静分离格局,并根据预设的显示方式进行房屋显示;
其中,所述预设规则为根据各房屋的位置数据,确定出各房屋所包括的区域范围;若具有归属于动区的功能属性的各房屋所对应的区域范围彼此连通,且具有归属于静区的功能属性的各房屋所对应的区域范围彼此连通,则确定所述目标户型为动静分离格局。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述的动静分离格局房屋的确定方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述的动静分离格局房屋的确定方法的步骤。
本发明实施例提供的动静分离格局房屋的确定方法和装置,基于深度学习的图像识别算法来训练第一预设神经网络,使得第一预设神经网络具有判断该房屋中陈设物品种类的功能,利用第一预设神经网络的输出结果确定该目标户型是否为动静分区户型,能够提供全面且个性化的信息,提高看房效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的动静格局房屋的确定方法流程示意图;
图2为本发明实施例中动静分离格局房屋示意图;
图3为本发明实施例中非动静分离格局房屋示意图;
图4为本发明实施例提供的第一预设神经网络的训练流程图;
图5为本发明实施例提供的动静分离格局房屋的确定装置示意图;
图6为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的动静格局房屋的确定方法流程示意图,如图1所示,该方法包括如下步骤:
步骤100、获取目标户型对应的三维模型,在所述三维模型中获取所述目标户型内各房屋所对应的图像,所述图像中包括陈设物品;
本发明实施例提供的动静分离格局房屋的确定方法可以由计算机处理器来完成,该处理器可以是云端服务器,也可以是本地服务器,其可以提供动静分离格局房屋的判断和显示。具体地,该处理器首先在云端或本地获取任一个目标户型对应的三维模型,基于该三维模型可以获取该目标户型内所有房屋陈设物品的在不同角度拍摄的图像或仿真图像。
步骤101、将所述图像输入至第一预设神经网络,根据所述第一预设神经网络输出的陈设物品的种类,确定所述房屋对应的功能属性;其中,所述第一预设神经网络是根据多个带有陈设物品标签的样本图像进行训练获得的;
在获取到该目标户型内各房屋所对应的图像后,将该图像输入至第一预设神经网络,利用基于深度学习的图像识别算法对房屋内每一个功能间内的陈设物品进行识别,根据判定规则识别该功能间的物品来判断该功能间的属性,例如,当识别出一个房屋内有冰箱、壁挂炉、灶台等物品后就可判定该房屋为厨房,如此依次判断出各房屋的功能属性。具体地,可以将所述图像输入至第一预设神经网络,根据所述第一预设神经网络输出的陈设物品的种类,确定所述房屋对应的功能属性;其中,所述第一预设神经网络是根据多个带有陈设物品标签的样本图像进行训练获得的,其具有判断图像中陈设物品的种类的功能。所述的功能属性包括但不限于:书房、卧室、多功能间、客厅、餐厅、卫生间和厨房。所述的陈设物品的种类可以包括冰箱、壁挂炉或灶台等。第一预设神经网络对所述输入的图像进行处理,输出识别结果,该结果可以为该图像中包括冰箱的概率值,当该概率值大于一个阈值时,可以确定图像中包括有冰箱。
步骤102、若根据各房屋对应的功能属性,以及各房屋的位置数据,判断获知满足预设规则,则确定所述目标户型为动静分离格局,并根据预设的显示方式进行房屋显示。
在获得各个房屋的功能属性后,便可以根据所述各房屋对应的功能属性,以及各房屋的位置数据,判断获知满足预设规则。其中,所述的各房屋的位置数据可以从所述的目标户型对应的三维模型中获取。预设规则包括:根据各房屋的位置数据,确定出各房屋所包括的区域范围;若具有归属于动区的功能属性的各房屋所对应的区域范围彼此连通,且具有归属于静区的功能属性的各房屋所对应的区域范围彼此连通,则确定所述目标户型为动静分离格局。
本发明方法实施例中,判断各房屋的属性,根据预设规则区分该户型内的动区和静区。例如,书房和卧室对应的功能属性归属于静区,客厅、餐厅、卫生间、多功能间和厨房对应的功能属性归属于动区。图2为本发明实施例中动静分离格局房屋示意图,图3为本发明实施例中非动静分离格局房屋示意图,如图2和图3所示,图2中客厅、厨房和厕所的区域范围彼此连通,卧室和书房的区域范围彼此连通,因此图2所示的户型属于动静分离格局。图3中虽然客厅、厨房和厕所的区域范围彼此连通,但是两个卧室的区域范围不彼此连通,因此图3所示的户型不属于动静分离格局。
本发明方法实施例中关于如何判断例如卧室和书房的区域范围彼此连通,可以采用现有技术中连通区域识别算法实现,例如卧室和书房交界位置的图像像素点彼此相邻,则可以确定两个区域范围是连通的,当然也可以采用其他可以识别或判断的方法,本发明实施例不做限定。
本发明方法实施例中还可以对“动静分离格局”的目标户型按照预设的显示方式进行显示。例如可以为,以第一颜色(例如红色)高亮显示所述动区的区域范围,以第二颜色(例如蓝色)高亮显示所述静区的区域范围;和/或,在所述动区内最大面积处增加显示“动区”字样,并在所述静区内最大面积处增加显示“静区”字样。
本发明实施例提供的动静分离格局房屋的确定方法,基于深度学习的图像识别算法来训练第一预设神经网络,使得第一预设神经网络具有判断该房屋中陈设物品种类的功能,利用第一预设神经网络的输出结果确定该目标户型是否为动静分区户型,能够提供全面且个性化的信息,提高看房效率。
随着电子计算机技术逐渐成熟,图像识别技术被广泛应用于工农业生产和日常生活的各个领域。图像识别技术领域中图像的传输和存储技术已经非常成熟,而且应用广泛。
图像识别技术是指利用计算机对图像进行处理、分析与理解,以识别各种不同模式的目标和对像的技术。图像的识别作为图像分析和理解的核心问题一直是当前领域的热点与难点。图像识别技术的目的是根据目标图像,对其中的物体进行辨别与分类。一般来说,图像识别包括图像分割、图像特征提取和分类器的识别分类等过程。图像切割是将图像划分为多个关键的区域,然后将每个区域的图像进行特征提取,最后对提取的特征进行判断,进而进行相应的分类工作。其中,图像分割与特征提取一直是图像处理领域的研究重点。在图像识别技术的发展过程中,先后出现过统计识别、结构识别、模糊识别的识别方法。但是这些方法大都存在着对结构复杂的模式难以抽取特征、干扰与噪声影响太大、难以建立隶属函数等缺点,导致识别的效果不佳。深度学习是近几年来人工智能领域取得的重大突破之一,在图像识别、自然语言处理等诸多领域都取得了巨大的成功。
卷积神经网络(Convolutional Neural Network,CNN)隶属于深度学习模型,是一种按误差逆向传播训练的多层前馈神经网络,能够通过反向传播不断调整网络的权值和阈值,是近年发展起来的一种高效图像识别方法。与传统模式识别方法不同的是,卷积神经网络能够从大量数据中自动学习特征,而非传统的手工设计特征。由于训练数据中可能包含成千上万的参数,手工设计出有效的特征将耗费很多时间。而卷积神经网络可以从新的训练数据自发而快速地学习到有效的特征表示。由于其具有很强的学习能力、高效的特征提取能力、分布式存储记忆等诸多优点,在图像识别领域具有广泛应用。最近几年,人工神经网络发展十分迅速,涌现出许多优秀的网络模型。
随着计算机性能的大幅提升,一些开源的GPU集群并行计算框架相继出现,比较有代表性有Google的TensorFlow、Facebook的Torch、加州大学伯克利的PHD贾扬清开发的Caffe等,这样使得快速开发构建深度学习模型成为可能。1990年,LeCun等在研究手写体数字识别问题时,首先提出来使用梯度反向传播算法训练的卷积神经网络模(LeNet5),并在MNIST手写数字数据集上表现出了好的性能,以后对卷积神经网络的研究突飞猛进。2012年,Alex获得ImageNet冠军,其所用的AlexNet5个卷积层3个pool层和2个全连接层。2014年获得ImageNet的GoogleNet,使用了59个卷积层,16个pool层和2个全连接层。2016年微软的ResNet深度残差网络,用了152层的架构,由此可见卷积神经网络迅猛发展。
本发明实施例提供的方法中,所述的第一预设神经网络可以为卷积神经网络。卷积神经网络中通常包括卷积层、池化层、全连接层和激活函数等各网络结构和参数。卷积层是在卷积神经网络中由多个卷积核构成一种结构,主要进行卷积运算。池化层用于图像的降维。全连接层用于将前面一层的神经元与后面一层相连接。激活函数是神经网络中的一种非线性函数,用于给神经网络加入非线性因素,因为只有线性函数表达能力不够。
本发明实施例中,第一预设神经网络可以包括多个卷积层,且每个卷积层之后还可以设置对应的池化层,一般地,卷积层和池化层交替设置,以通过池化层对卷积层输出的结果进行池化。本实施例中,卷积层和池化层的数量可以根据实际需求进行设置,此处不做具体限定。
本发明实施例中,将各房屋的图像对应的二值分布图输入至第一预设神经网络的卷积层和池化层,利用卷积层和池化层对二值分布图进行特征提取,输出二值分布图对应的二维特征向量。本发明实施例中,第一预设神经网络的卷积层包括第一卷积层,池化层包括第一池化层。首先将二值分布图输入至第一预设神经网络的第一卷积层进行卷积计算,第一卷积层采用4个滤波器,大小为[4,4],移动步长为1,第一卷积层的输出结果通过激活函数ReLU(整形线性单元)进行运算。再将第一卷积层的输出结果输入至第一池化层,第一池化层所采用的池化函数为最大池化函数,其大小为[2,4],移动步长为1。由此,通过第一卷积层和第一池化层对二值分布图进行处理之后,最终通过第一池化层输出二值分布图对应的二维特征向量。
可以理解的是,每一个第一预设神经网络可以识别一种陈设物品,若需要识别多种陈设物品,则需要训练多个第一预设神经网络。
可以理解的是,本发明方法实施例中还包括训练所述第一预设神经网络的步骤,图4为本发明实施例提供的第一预设神经网络的训练流程图,具体包括:
步骤400、获取多个样本图像,所述各样本图像均具有陈设物品标签,用以表示房屋内设置有对应的陈设物品;
首先,获取大量的样本图像,各样本图像可以是对实际的户型进行拍摄而获取的图像,且每个样本图像中均包括有陈设物品。为每个样本图像设置一个陈设物品,以表明该样本图像中有陈设物品。
步骤401、对于任意一个所述样本图像,将所述样本图像输入至所述第一预设神经网络,输出所述样本图像对应的预测概率;
将每个样本图像和陈设物品标签作为一个训练样本,由此即可获得多个训练样本。在获得多个训练样本之后,再将多个训练样本依次输入至第一预设神经网络,即将每个训练样本中的样本图像和陈设物品标签同时输入至第一预设神经网络,根据第一预设神经网络的每一次输出结果对第一预设神经网络中的模型参数进行调整,最终可以完成预设神经网络的训练过程。
步骤402、根据预设损失函数和所述样本图像对应的预测概率计算损失值;
步骤403、若所述损失值小于预设阈值,则所述第一预设神经网络训练完成。
在本发明方法实施例中,可以采用900个训练样本进行第一预设神经网络的训练过程;之后,采用100个测试样本进行测试,由此获得的第一预设神经网络能够获得准确的是否包括陈设物品的结果。
具体地,在获得多个训练样本之后,对于任意一个训练样本,将该训练样本中的样本图像和陈设物品标签同时输入至第一预设神经网络,输出该训练样本对应的预测概率,其中预测概率指的是该样本图像中包括陈设物品的预测概率。在此基础上,利用预设损失函数和预测概率计算损失值。其中,陈设物品标签可以表示为one-hot向量,预设损失函数可以为交叉熵损失函数。在其他实施例中,陈设物品标签的表示方式和预设损失函数可以根据实际需求进行设置,此处不做具体限定。在计算获得损失值之后,本次训练过程结束,再利用误差反向传播算法更新第一预设神经网络中的模型参数,之后再进行下一次训练。在训练的过程中,若针对某个训练样本计算获得的损失值小于预设阈值,则预设神经网络训练完成。
在本发明实施例中,反向传播(Back Propagation,简称BP)算法的训练过程由正向传播过程和反向传播过程组成。在正向传播过程中,输入信息通过输入层经隐含层,逐层处理并传向输出层。如果在输出层得不到期望的输出值,则取输出与期望的误差的平方和作为目标函数,转入反向传播,逐层求出函数对各神经元权值的偏导数,构成函数对权值向量的梯量,作为修改权值的依据,由于卷积神经网络的训练在权值修改过程中完成,当误差达到所期望值时,则训练结束。
在本发明实施例中,为了防止训练过程出现过拟合,采用L2正则化和丢弃(Dropout)算法,限制卷积神经网络的模型参数,增加了卷积神经网络的泛化能力,提高了陈设物品种类识别的准确率。其中,卷积神经网络的预设损失函数附加L2正则化项。可选地,在本发明实施例中,为了提高卷积神经网络的训练效率,基于迁移学习的方法,利用ImageNet中的图像和视觉训练的图片库,对卷积神经网络进行预训练,初始化卷积神经网络的参数。
在本发明实施例中,为了避免由于卷积神经网络的层数加深,收敛速度变慢,而导致的梯度消失或梯度爆炸,可以采用批标准化(Batch Normalization,简称BN)算法,来规范某些层或者所有层的输入,从而固定每层输入信号的均值与方差,使得卷积神经网络在训练过程中,每一层神经网络的输入保持相同分布,简化了深层神经网络的构建,加快学习收敛速度。
在本发明实施例中,为了提高第一预设神经网络的训练速度和准确率,还可以对样本图像进行预处理。其中,所述的预处理可以包括去噪处理、边缘增强、图像锐化、图像尺度缩放、平移、旋转和适度裁剪等。同时,对于图像照度不均匀的样本图像,可以通过Gamma校正,将图像整体亮度提高或降低。此外,由于样本图像中相邻像素之间具有很强的相关性,有鉴于此,本实施例中使用白化降低样本图像中的冗余性。在其它实施例中,还可以采用其他方式对样本图像进行预处理,可以根据实际需求进行设置,本发明实施例不做具体限定。
在本发明实施例中,动静分离格局房屋的确定方法的流程中若所述目标户型为多层户型,则所述预设规则还包括:对于每一层,均满足具有归属于动区的功能属性的各房屋所对应的区域范围彼此连通,且具有归属于静区的功能属性的各房屋所对应的区域范围彼此连通,则确定所述目标户型为动静分离格局;或,对于每一层,该层中所有的房屋均具有相同的功能属性,例如双层户型,一层全是动区,二层全是静区,则确定所述目标户型为动静分离格局。
图5为本发明实施例提供的动静分离格局房屋的确定装置示意图,如图5所示,该装置包括第一处理模块501、第二处理模块502和第三处理模块503,其中,第一处理模块501用于获取目标户型对应的三维模型,在所述三维模型中获取所述目标户型内各房屋所对应的图像,所述图像中包括陈设物品;第二处理模块502用于将所述图像输入至第一预设神经网络,根据所述第一预设神经网络输出的陈设物品的种类,确定所述房屋对应的功能属性;其中,所述第一预设神经网络是根据多个带有陈设物品标签的样本图像进行训练获得的;第三处理模块503用于若根据各房屋对应的功能属性,以及各房屋的位置数据,判断获知满足预设规则,则确定所述目标户型为动静分离格局,并根据预设的显示方式进行房屋显示;其中,所述预设规则为根据各房屋的位置数据,确定出各房屋所包括的区域范围;若具有归属于动区的功能属性的各房屋所对应的区域范围彼此连通,且具有归属于静区的功能属性的各房屋所对应的区域范围彼此连通,则确定所述目标户型为动静分离格局。
进一步地,若所述目标户型为多层户型,则所述预设规则包括:对于每一层,均满足具有归属于动区的功能属性的各房屋所对应的区域范围彼此连通,且具有归属于静区的功能属性的各房屋所对应的区域范围彼此连通,则确定所述目标户型为动静分离格局;或,对于每一层,该层中所有的房屋均具有相同的功能属性,则确定所述目标户型为动静分离格局。
进一步地,所述功能属性包括但不限于:书房、卧室、多功能间、客厅、餐厅、卫生间和厨房;其中,书房和卧室对应的功能属性归属于静区,客厅、餐厅、卫生间、多功能间和厨房对应的功能属性归属于动区。
本发明实施例提供的动静分离格局房屋的确定装置,具体可以用于执行上述各方法实施例所提供方法流程,详细功能和流程可以参见上述各方法实施例内容,此处不再赘述。
本发明实施例提供的动静分离格局房屋的确定装置,基于深度学习的图像识别算法来训练第一预设神经网络,使得第一预设神经网络具有判断该房屋中陈设物品种类的功能,利用第一预设神经网络的输出结果确定该目标户型是否为动静分区户型,能够提供全面且个性化的信息,提高看房效率。
图6为本发明实施例提供的电子设备实体结构示意图,如图6所示,该服务器可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的计算机程序,以执行上述各实施例提供的方法,例如包括:获取目标户型对应的三维模型,在所述三维模型中获取所述目标户型内各房屋所对应的图像,所述图像中包括陈设物品;将所述图像输入至第一预设神经网络,根据所述第一预设神经网络输出的陈设物品的种类,确定所述房屋对应的功能属性;其中,所述第一预设神经网络是根据多个带有陈设物品标签的样本图像进行训练获得的;若根据各房屋对应的功能属性,以及各房屋的位置数据,判断获知满足预设规则,则确定所述目标户型为动静分离格局,并根据预设的显示方式进行房屋显示;其中,所述预设规则为根据各房屋的位置数据,确定出各房屋所包括的区域范围;若具有归属于动区的功能属性的各房屋所对应的区域范围彼此连通,且具有归属于静区的功能属性的各房屋所对应的区域范围彼此连通,则确定所述目标户型为动静分离格局。
此外,上述的存储器630中的计算机程序可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明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。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以执行上述各实施例提供的方法,例如包括:获取目标户型对应的三维模型,在所述三维模型中获取所述目标户型内各房屋所对应的图像,所述图像中包括陈设物品;将所述图像输入至第一预设神经网络,根据所述第一预设神经网络输出的陈设物品的种类,确定所述房屋对应的功能属性;其中,所述第一预设神经网络是根据多个带有陈设物品标签的样本图像进行训练获得的;若根据各房屋对应的功能属性,以及各房屋的位置数据,判断获知满足预设规则,则确定所述目标户型为动静分离格局,并根据预设的显示方式进行房屋显示;其中,所述预设规则为根据各房屋的位置数据,确定出各房屋所包括的区域范围;若具有归属于动区的功能属性的各房屋所对应的区域范围彼此连通,且具有归属于静区的功能属性的各房屋所对应的区域范围彼此连通,则确定所述目标户型为动静分离格局。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种动静分离格局房屋的确定方法,其特征在于,包括:
获取目标户型对应的三维模型,在所述三维模型中获取所述目标户型内各房屋所对应的图像,所述图像中包括陈设物品;
将所述图像输入至第一预设神经网络,根据所述第一预设神经网络输出的陈设物品的种类,确定所述房屋对应的功能属性;其中,所述第一预设神经网络是根据多个带有陈设物品标签的样本图像进行训练获得的;
若根据各房屋对应的功能属性,以及各房屋的位置数据,判断获知满足预设规则,则确定所述目标户型为动静分离格局,并根据预设的显示方式进行房屋显示;
其中,所述预设规则为根据各房屋的位置数据,确定出各房屋所包括的区域范围;若具有归属于动区的功能属性的各房屋所对应的区域范围彼此连通,且具有归属于静区的功能属性的各房屋所对应的区域范围彼此连通,则确定所述目标户型为动静分离格局。
2.根据权利要求1所述的动静分离格局房屋的确定方法,其特征在于,若所述目标户型为多层户型,则所述预设规则还包括:
对于每一层,均满足具有归属于动区的功能属性的各房屋所对应的区域范围彼此连通,且具有归属于静区的功能属性的各房屋所对应的区域范围彼此连通,则确定所述目标户型为动静分离格局;或
对于每一层,该层中所有的房屋均具有相同的功能属性,则确定所述目标户型为动静分离格局。
3.根据权利要求1或2所述的动静分离格局房屋的确定方法,其特征在于,所述功能属性包括但不限于:书房、卧室、多功能间、客厅、餐厅、卫生间和厨房;
其中,书房和卧室对应的功能属性归属于静区,客厅、餐厅、卫生间、多功能间和厨房对应的功能属性归属于动区。
4.根据权利要求1所述的动静分离格局房屋的确定方法,其特征在于,所述根据预设的显示方式进行房屋显示,包括:
以第一颜色高亮显示所述动区的区域范围,以第二颜色高亮显示所述静区的区域范围;和/或
在所述动区内增加显示动区字样,并在所述静区内增加显示静区字样。
5.根据权利要求1所述的动静分离格局房屋的确定方法,其特征在于,所述方法还包括训练所述第一预设神经网络的步骤,包括:
获取多个样本图像,所述各样本图像均具有陈设物品标签,用以表示房屋内设置有对应的陈设物品;
对于任意一个所述样本图像,将所述样本图像输入至所述第一预设神经网络,输出所述样本图像对应的预测概率;
根据预设损失函数和所述样本图像对应的预测概率计算损失值;
若所述损失值小于预设阈值,则所述第一预设神经网络训练完成。
6.一种动静分离格局房屋的确定装置,其特征在于,包括:
第一处理模块,用于获取目标户型对应的三维模型,在所述三维模型中获取所述目标户型内各房屋所对应的图像,所述图像中包括陈设物品;
第二处理模块,用于将所述图像输入至第一预设神经网络,根据所述第一预设神经网络输出的陈设物品的种类,确定所述房屋对应的功能属性;其中,所述第一预设神经网络是根据多个带有陈设物品标签的样本图像进行训练获得的;
第三处理模块,用于若根据各房屋对应的功能属性,以及各房屋的位置数据,判断获知满足预设规则,则确定所述目标户型为动静分离格局,并根据预设的显示方式进行房屋显示;
其中,所述预设规则为根据各房屋的位置数据,确定出各房屋所包括的区域范围;若具有归属于动区的功能属性的各房屋所对应的区域范围彼此连通,且具有归属于静区的功能属性的各房屋所对应的区域范围彼此连通,则确定所述目标户型为动静分离格局。
7.根据权利要求6所述的动静分离格局房屋的确定装置,其特征在于,若所述目标户型为多层户型,则所述预设规则包括:
对于每一层,均满足具有归属于动区的功能属性的各房屋所对应的区域范围彼此连通,且具有归属于静区的功能属性的各房屋所对应的区域范围彼此连通,则确定所述目标户型为动静分离格局;或
对于每一层,该层中所有的房屋均具有相同的功能属性,则确定所述目标户型为动静分离格局。
8.根据权利要求6或7所述的动静分离格局房屋的确定装置,其特征在于,所述功能属性包括但不限于:书房、卧室、多功能间、客厅、餐厅、卫生间和厨房;
其中,书房和卧室对应的功能属性归属于静区,客厅、餐厅、卫生间、多功能间和厨房对应的功能属性归属于动区。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述的动静分离格局房屋的确定方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述的动静分离格局房屋的确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910313852.9A CN110111426A (zh) | 2019-04-18 | 2019-04-18 | 一种动静分离格局房屋的确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910313852.9A CN110111426A (zh) | 2019-04-18 | 2019-04-18 | 一种动静分离格局房屋的确定方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110111426A true CN110111426A (zh) | 2019-08-09 |
Family
ID=67485854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910313852.9A Pending CN110111426A (zh) | 2019-04-18 | 2019-04-18 | 一种动静分离格局房屋的确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110111426A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110542424A (zh) * | 2019-09-03 | 2019-12-06 | 江苏艾佳家居用品有限公司 | 一种户型空间区域自动导航的方法及系统 |
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 |
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 |
CN112734947A (zh) * | 2020-12-29 | 2021-04-30 | 贝壳技术有限公司 | 在vr房屋中进行3d内容投放方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120284124A1 (en) * | 2011-05-06 | 2012-11-08 | Harangozo Matej | Building energy performance/improvements |
CN104899403A (zh) * | 2015-06-26 | 2015-09-09 | 江苏易合大成网络科技有限公司 | 一种从cad设计图纸自动生成装修预算报价的方法和系统 |
EP3001608A1 (fr) * | 2014-09-29 | 2016-03-30 | Gemalto Sa | Procédé de configuration d'un système d'objets connectés dans un réseau internet pour objets et centrale de configuration correspondante |
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 |
CN206741554U (zh) * | 2016-12-17 | 2017-12-12 | 深圳市彬讯科技有限公司 | 基于深度摄像头的室内3d扫描设备的户型3d建模系统 |
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 |
CN108416707A (zh) * | 2018-02-07 | 2018-08-17 | 链家网(北京)科技有限公司 | 房屋户型评估方法及装置 |
CN108717726A (zh) * | 2018-05-11 | 2018-10-30 | 北京家印互动科技有限公司 | 三维户型模型生成方法及装置 |
CN108763606A (zh) * | 2018-03-12 | 2018-11-06 | 江苏艾佳家居用品有限公司 | 一种基于机器视觉的户型图元素自动提取方法与系统 |
-
2019
- 2019-04-18 CN CN201910313852.9A patent/CN110111426A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120284124A1 (en) * | 2011-05-06 | 2012-11-08 | Harangozo Matej | Building energy performance/improvements |
EP3001608A1 (fr) * | 2014-09-29 | 2016-03-30 | Gemalto Sa | Procédé de configuration d'un système d'objets connectés dans un réseau internet pour objets et centrale de configuration correspondante |
CN104899403A (zh) * | 2015-06-26 | 2015-09-09 | 江苏易合大成网络科技有限公司 | 一种从cad设计图纸自动生成装修预算报价的方法和系统 |
CN206741554U (zh) * | 2016-12-17 | 2017-12-12 | 深圳市彬讯科技有限公司 | 基于深度摄像头的室内3d扫描设备的户型3d建模系统 |
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 |
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 |
CN108416707A (zh) * | 2018-02-07 | 2018-08-17 | 链家网(北京)科技有限公司 | 房屋户型评估方法及装置 |
CN108763606A (zh) * | 2018-03-12 | 2018-11-06 | 江苏艾佳家居用品有限公司 | 一种基于机器视觉的户型图元素自动提取方法与系统 |
CN108717726A (zh) * | 2018-05-11 | 2018-10-30 | 北京家印互动科技有限公司 | 三维户型模型生成方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110542424A (zh) * | 2019-09-03 | 2019-12-06 | 江苏艾佳家居用品有限公司 | 一种户型空间区域自动导航的方法及系统 |
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 |
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 |
CN112734947A (zh) * | 2020-12-29 | 2021-04-30 | 贝壳技术有限公司 | 在vr房屋中进行3d内容投放方法及装置 |
CN112734947B (zh) * | 2020-12-29 | 2022-10-14 | 贝壳技术有限公司 | 在vr房屋中进行3d内容投放方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084293A (zh) | 一种全明格局房屋的确定方法和装置 | |
CN110111426A (zh) | 一种动静分离格局房屋的确定方法和装置 | |
CN108717568B (zh) | 一种基于三维卷积神经网络的图像特征提取与训练方法 | |
CN110472627A (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
CN105512289B (zh) | 基于深度学习和哈希的图像检索方法 | |
CN110163813A (zh) | 一种图像去雨方法、装置、可读存储介质及终端设备 | |
CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
CN109558832A (zh) | 一种人体姿态检测方法、装置、设备及存储介质 | |
CN110110707A (zh) | 人工智能cnn、lstm神经网络动态识别系统 | |
CN107229904A (zh) | 一种基于深度学习的目标检测与识别方法 | |
CN108229268A (zh) | 表情识别及卷积神经网络模型训练方法、装置和电子设备 | |
CN106407889A (zh) | 基于光流图深度学习模型在视频中人体交互动作识别方法 | |
CN109272016A (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
CN114067057A (zh) | 一种基于注意力机制的人体重建方法、模型、装置 | |
CN113642621A (zh) | 基于生成对抗网络的零样本图像分类方法 | |
CN111046793B (zh) | 基于深度卷积神经网络的番茄病害识别方法 | |
CN110096991A (zh) | 一种基于卷积神经网络的手语识别方法 | |
WO2022100607A1 (zh) | 一种神经网络结构确定方法及其装置 | |
CN110298374A (zh) | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 | |
CN110427912A (zh) | 一种基于深度学习的人脸检测方法及其相关装置 | |
CN109447096A (zh) | 一种基于机器学习的扫视路径预测方法和装置 | |
CN108615229A (zh) | 基于曲率点聚类及决策树的碰撞检测优化方法 | |
CN114897136A (zh) | 多尺度注意力机制方法及模块和图像处理方法及装置 | |
CN114463837A (zh) | 基于自适应时空卷积网络的人体行为识别方法及系统 | |
CN112365582A (zh) | 一种对抗点云生成方法、存储介质和终端 |
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: 20191226 Address after: 100085 Floor 102-1, Building No. 35, West Second Banner Road, Haidian District, Beijing Applicant after: Seashell Housing (Beijing) Technology Co., Ltd. Address before: 300 457 days Unit 5, Room 1, 112, Room 1, Office Building C, Nangang Industrial Zone, Binhai New Area Economic and Technological Development Zone, Tianjin Applicant before: Shell Technology Co., Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |
|
RJ01 | Rejection of invention patent application after publication |