CN111008654A - 一种户型图中房间的识别方法及系统 - Google Patents

一种户型图中房间的识别方法及系统 Download PDF

Info

Publication number
CN111008654A
CN111008654A CN201911174019.7A CN201911174019A CN111008654A CN 111008654 A CN111008654 A CN 111008654A CN 201911174019 A CN201911174019 A CN 201911174019A CN 111008654 A CN111008654 A CN 111008654A
Authority
CN
China
Prior art keywords
room
type
mask
door
graph
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.)
Withdrawn
Application number
CN201911174019.7A
Other languages
English (en)
Inventor
陈旋
吕成云
朱召文
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.)
Jiangsu Aijia Household Products Co Ltd
Original Assignee
Jiangsu Aijia Household Products 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 Jiangsu Aijia Household Products Co Ltd filed Critical Jiangsu Aijia Household Products Co Ltd
Priority to CN201911174019.7A priority Critical patent/CN111008654A/zh
Publication of CN111008654A publication Critical patent/CN111008654A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种识别户型图中房间类型的方法和系统，方案包括：1)使用mask‑rcnn识别户型图中的门窗墙信息。2)根据mask‑rcnn的门窗墙bbox结果推测每个房间边界。3)合并mask‑rcnn中的bbox中每块bbox的mask值进行合并计算户型图当中每个像素点所属房间的概率值(包括:卧室、客餐厅、厨房、卫生间、阳台等)。4)据边界与像素点所属房间的概率值计算出每个房间的类型与边界。

Description

一种户型图中房间的识别方法及系统
技术领域
本发明涉及实例分割领域，特别是户型图识别领域。
背景技术
现有家装设计软件，主要通过设计师通过CAD等软件自己生成户型图并且标注每个房间所属类型，消耗大量时间与人工，并且现有的户型图识别网站上识别的准确率往往很差。
发明内容
一种房间识别方法和系统，用于自动识别户型图当中的房间类型以及房间边界。
技术方案是：
一种户型图中房间的识别方法，包括如下步骤：
第1步，训练样本数据的获取：标注已有的户型图中门窗墙与封闭房间区域的形状和位置的二维坐标数据，以及对应的房间类型、门窗墙的类型作为训练样本数据；
第2步，maskRcnn模型的训练：将训练样本数据输入至maskRcnn模型进行训练，输入向量是门窗墙与房间区域位置的二维坐标数据和房间类型、门窗墙的类型，输出向量是图片中预测的bbox(边框)，class(类型)与mask(掩码)；并得到户型图中的每个像素点属于某个房间的类别概率；
第3步，待识别户型图的处理：识别出待处理的户型图中门窗墙与封闭房间区域的形状和位置的二维坐标数据；
第4步，房间的识别：结合第3步得到的识别出待处理的户型图的数据，计算出封闭区域中全部像素点属于某个房间类型的概率的平均值，再将概率值最高的那种房间类型作为这个选定的封闭区域的类型，封闭区域作为房间的范围。
在一个实施方式中，户型图的样本数据首先需要转化为相同的图片大小。
在一个实施方式中，所述的第2步中，类别概率是通过识别房间类型的bbox与mask进行merge得到。
在一个实施方式中，所述的第2步中，所述的maskRcnn模型包括依次连接的特征提取网络、候选区域生成网络和模型预测与输出层。
在一个实施方式中，所述的第2步中，所述的特征提取网络是coco数据集上预训练过的res101网络，用于对户型图进行特征提取。
在一个实施方式中，通过候选区域生成网络生成户型图房间区域与门窗墙的候选边框，并通过识别出的门、窗、墙候选边框计算房间的位置区域。
在一个实施方式中，所述的第2步中，是通过FCN(全卷积网络)生成户型图像素级别的分类mask。
在一个实施方式中，所述的第4步中，概率值最高是通过如下式计算得到：
Figure BDA0002289487400000021
n为某一区域像素点的个数,每个像素为(xi，yi)，i∈[1，n]，该图中类别个数为m，每一类用cj，j∈[1，m]表示。
一种户型图中房间识别系统，包括：
训练样本数据的获取模块，用于标注已有的户型图中门窗墙与封闭房间区域的形状和位置的二维坐标数据，以及对应的房间类型、门窗墙的类型作为训练样本数据；
maskRcnn模型模块，用于将训练样本数据输入至maskRcnn模型进行训练，输入向量是门窗墙与房间区域位置的二维坐标数据和房间类型、门窗墙的类型，输出向量是图片中预测的bbox(边框)，class(类型)与mask(掩码)；并得到户型图中的每个像素点属于某个房间的类别概率；
待识别户型图的处理模块，用于识别出待处理的户型图中门窗墙与封闭房间区域的形状和位置的二维坐标数据；
房间的识别模块，用于结合得到的识别出待处理的户型图的数据，计算出封闭区域中全部像素点属于某个房间类型的概率的平均值，再将概率值最高的那种房间类型作为这个选定的封闭区域的类型，封闭区域作为房间的范围。
一种计算机可读取介质，其记载有可以运行上述的户型图中房间识别方法的程序。
有益效果
本发明的一种房间识别方法和系统，能够根据输入的户型图，快速识别出该户型中的房间类型及位置和边界。本发明将深度学习在实例分割方面的使用技术应用到房间识别，可以节省大量时间与成功成本，并且还能帮助自动布局提供数据支持。
附图说明
图1是本方法的流程图；
图2是户型图的区域获取示意图；
图3是户型图处理结果图；
图4是对房间归属的概率计算结果图；
图5是对房间归属的概率计算结果图；
图6是网络结构图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。应当理解，给出这些示例性实施例仅是为了使相关领域的技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些系统、模块或单元做出了各种引用，然而，任何数量的不同模块可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
本发明所要实际解决的技术问题：是对户型图进行快速识别，并识别出的各个房间位置区域以及各个房间所属房间类型。
本发明中的房间类型可以是指：卧室、客餐厅、阳台、厨房等室内房间。
本发明的步骤如图1所示：
第1步，训练数据预处理。对标注数据进行处理，将标注的图片进行统一缩放的尺寸为(512*512*3)，对标注到的封闭区域进行可视化见图2。模型的初始数据包括：每个户型图中的各个封闭区域的坐标数据，以及各个封闭区域的类型(门窗墙、房间)；在图2中，户型图中的各个区域都被分别标记为一个特定的区域范围，例如厨房、客厅、卫生间等，各个房间的数据中包括了功能以及平面形状和位置坐标；将门窗墙提取构成封闭区域的数值之后，如图3所示。
第2步，模型训练。以标注的户型图图片作为模型的输入数据，数据向量至少要包括每个区域的形状和位置坐标，以及每个区域的类型，以此作为label的输入向量(这里的区域是指图形中的各个房间与门窗墙，例如：墙、门、窗、厨房、卧室等)，本发明中采用的是maskRcnn模型，对图像中的要素进行识别，输出向量为图片中bbox(x1,y1,x2,y2,score)，与所属类别class(房间的类型),与该bbox中的属于该类别的mask(28x28),其中x1,x2,y1,y2是Bounding box的坐标，score是模型得到的概率。
如图6所示，本发明的方法中所采用的算法为maskRcnn模型，主要分为3块网络结构。
第一块为特征提取网络(backbone),主要负责提取待处理户型图的特征供其他层使用，本发明中使用特征提取层为：coco数据集上预训练过的res101网络进行迁移学习。
第二块为候选区域生成网络(RPN)，主要负责生成户型图房间区域的候选边框(不区分哪个房间只区分前景与背景)；
第三块为模型预测与输出层，主要负责对各个候选边框进行回归，对候选区域所属房间类型进行分类，对每块候选区域进行分类生成mask(本发明中使用门窗墙的输出层为边框回归与分类的结果bbox与class，不使用mask结果，房间类型的输出层为mask的结果，不直接使用边框回归的分类的结果(bbox)，图6为maskrcnn直接输出结果，与本发明使用mask层结合bbox输出像素概率值，并且结合门窗墙识别的bbox的效果对比，可以看到使用本发明的结果明显优于直接输出结果。
本发明中mask层与bbox层的merge方法为:
Figure BDA0002289487400000041
Figure BDA0002289487400000051
至此，完成了模型的训练过程。
第3步，进行待处理样本的数据生成：首先，确定房间的区域范围，本步骤可以采用常规的识别方法将一个待处理的户型图中的各个房间区域识别出，并得到各个房间的二维坐标和形状坐标，例如，可以结合识别出的房间门窗墙(maskrcnn的门窗墙bbox)，根据门窗墙坐标构建成一块块的封闭区域。按照其所构成的封闭区区域，获取此房间的区域与边界。具体方法为：使用上下文构成一幅二值化的图，其中门窗墙值为1，户型图外值为1，其余值为0，见图2，由两个像素相邻并且具有相同的值，构成邻居标记出联通区域(参考：Christophe Fiorio和Jens Gustedt，“用于图像处理的两种线性时间联合发现策略”，理论计算机科学154(1996)，第165-181页)。
第4步，模型结果处理。使用步骤3获取到的房间区域的样本数据，对区域中的每个像素点获取maskRcnn模型输出的每个类别概率值(full_masks)分别进行求和并计算均值，得到结果最高的作为输出房间的类别，得出房间所属类型与房间的边界。
例如：在户型图当中，取任意一个房间区域，那么可以获得这个区域的全部像素点，通过上述的模型可以获得这个特定区域当中每个像素点属于某一种房间类型的概率。某一区域像素点的个数为n,每个像素为(xi，yi)，i∈[1，n]，该图中类别个数为m，每一类用cj，j∈[1，m]表示，则该区域属于某一类的判断方法如下
Figure BDA0002289487400000052
(例如第一像素点有0.8的概率是厨房、0.4的概率是客厅、0.1的概率是卫生间，……；第二像素点有0.6的概率是厨房、0.5的概率是客厅、0.3的概率是卫生间，……)，因此，将这个区域中全部的像素点属于某一房间的概率求和之后，可以作为整个房间属于某一个类型的概率，其中概率最大值是判定出的这个房间归类的结果，结果可以如图4和图5所示。
封闭区域的边界点，指的是由封闭区域进行边缘检测获取其边缘点构成房间所属边界。输出结果见图3左图。该方法比直接使用maskrcnn获取到房间边框的边界要更准确且不需后续再处理，见图3各个房间的识别情况对比。
表1
房间名称 正确个数 错误个数 总数 准确率
次卧 4168 121 4289 0.971788
卫生间 2668 52 2720 0.980882
衣帽间 125 38 163 0.766871
厨房 1586 81 1667 0.95141
储藏室 42 29 71 0.591549296
客餐厅 3205 75 3280 0.977134
生活阳台 2415 42 2457 0.982906
书房 484 29 513 0.94347
总计 14651 438 15089 0.970972
另外对训练数据的图片进行了数据增强的方法显著的提升了模型的效果具体对比见表1对比表2。本发明中使用的数据增强的方法主要为:随机裁剪图片，随机缩放，随机通道交换，随机更改图片亮度。
表2
房间名称 data_enhance_before data_enhance_after
厨房 0.88902439 0.951409718
储藏室 0.014492754 0.591549296
客餐厅 0.987604586 0.977134146
生活阳台 0.896967179 0.982905983
书房 0.56039604 0.943469786
卫生间 0.9462486 0.980882353
卧室 0.946695096 0.971788296
衣帽间 0.25308642 0.766871166
另外，该方法识别房间类型的测试集准确率为97.0％，对应部分房间(如:衣帽间)识别准确率不高的原因为这部分房间的训练数据量不够的原因导致。
基于以上的方法，本发明还提供了：
一种户型图中房间识别系统，包括：
训练样本数据的获取模块，用于标注已有的户型图中门窗墙与封闭房间区域的形状和位置的二维坐标数据，以及对应的房间类型、门窗墙的类型作为训练样本数据；
maskRcnn模型模块，用于将训练样本数据输入至maskRcnn模型进行训练，输入向量是门窗墙与房间区域位置的二维坐标数据和房间类型、门窗墙的类型，输出向量是图片中预测的bbox(边框)，class(类型)与mask(掩码)；并得到户型图中的每个像素点属于某个房间的类别概率；
待识别户型图的处理模块，用于识别出待处理的户型图中门窗墙与封闭房间区域的形状和位置的二维坐标数据；
房间的识别模块，用于结合得到的识别出待处理的户型图的数据，计算出封闭区域中全部像素点属于某个房间类型的概率的平均值，再将概率值最高的那种房间类型作为这个选定的封闭区域的类型，封闭区域作为房间的范围。
一种计算机可读取介质，其记载有可以运行上述的户型图中房间识别方法的程序。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

Claims (10)

1.一种户型图中房间的识别方法，其特征在于，包括如下步骤：
第1步，训练样本数据的获取：标注已有的户型图中门窗墙与封闭房间区域的形状和位置的二维坐标数据，以及对应的房间类型、门窗墙的类型作为训练样本数据；
第2步，maskRcnn模型的训练：将训练样本数据输入至maskRcnn模型进行训练，输入向量是门窗墙与房间区域位置的二维坐标数据和房间类型、门窗墙的类型，输出向量是图片中预测的bbox(边框)，class(类型)与mask(掩码)；并得到户型图中的每个像素点属于某个房间的类别概率；
第3步，待识别户型图的处理：识别出待处理的户型图中门窗墙与封闭房间区域的形状和位置的二维坐标数据；
第4步，房间的识别：结合第3步得到的识别出待处理的户型图的数据，计算出封闭区域中全部像素点属于某个房间类型的概率的平均值，再将概率值最高的那种房间类型作为这个选定的封闭区域的类型，封闭区域作为房间的范围。
2.根据权利要求1所述的户型图中房间的识别方法，其特征在于，在一个实施方式中，户型图的样本数据首先需要转化为相同的图片大小。
3.根据权利要求1所述的户型图中房间的识别方法，其特征在于，在一个实施方式中，所述的第2步中，类别概率是通过识别房间类型的bbox与mask进行merge得到。
4.根据权利要求1所述的户型图中房间的识别方法，其特征在于，在一个实施方式中，所述的第2步中，所述的maskRcnn模型包括依次连接的特征提取网络、候选区域生成网络和模型预测与输出层。
5.根据权利要求1所述的户型图中房间的识别方法，其特征在于，在一个实施方式中，所述的第2步中，所述的特征提取网络是coco数据集上预训练过的res101网络，用于对户型图进行特征提取。
6.根据权利要求1所述的户型图中房间的识别方法，其特征在于，在一个实施方式中，通过候选区域生成网络生成户型图房间区域与门窗墙的候选边框，并通过识别出的门、窗、墙候选边框计算房间的位置区域。
7.根据权利要求1所述的户型图中房间的识别方法，其特征在于，在一个实施方式中，所述的第2步中，是通过FCN(全卷积网络)生成户型图像素级别的分类mask。
8.根据权利要求1所述的户型图中房间的识别方法，其特征在于，在一个实施方式中，所述的第4步中，概率值最高是通过如下式计算得到：
Figure FDA0002289487390000021
n为某一区域像素点的个数,每个像素为(xi，yi)，i∈[1，n]，该图中类别个数为m，每一类用cj，j∈[1，m]表示。
9.一种户型图中房间识别系统，其特征在于，包括：
训练样本数据的获取模块，用于标注已有的户型图中门窗墙与封闭房间区域的形状和位置的二维坐标数据，以及对应的房间类型、门窗墙的类型作为训练样本数据；
maskRcnn模型模块，用于将训练样本数据输入至maskRcnn模型进行训练，输入向量是门窗墙与房间区域位置的二维坐标数据和房间类型、门窗墙的类型，输出向量是图片中预测的bbox(边框)，class(类型)与mask(掩码)；并得到户型图中的每个像素点属于某个房间的类别概率；
待识别户型图的处理模块，用于识别出待处理的户型图中门窗墙与封闭房间区域的形状和位置的二维坐标数据；
房间的识别模块，用于结合得到的识别出待处理的户型图的数据，计算出封闭区域中全部像素点属于某个房间类型的概率的平均值，再将概率值最高的那种房间类型作为这个选定的封闭区域的类型，封闭区域作为房间的范围。
10.一种计算机可读取介质，其记载有可以运行权利要求1所述的户型图中房间识别方法的程序。
CN201911174019.7A 2019-11-26 2019-11-26 一种户型图中房间的识别方法及系统 Withdrawn CN111008654A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911174019.7A CN111008654A (zh) 2019-11-26 2019-11-26 一种户型图中房间的识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911174019.7A CN111008654A (zh) 2019-11-26 2019-11-26 一种户型图中房间的识别方法及系统

Publications (1)

Publication Number Publication Date
CN111008654A true CN111008654A (zh) 2020-04-14

Family

ID=70112110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911174019.7A Withdrawn CN111008654A (zh) 2019-11-26 2019-11-26 一种户型图中房间的识别方法及系统

Country Status (1)

Country Link
CN (1) CN111008654A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797748A (zh) * 2020-06-28 2020-10-20 北京比邻弘科科技有限公司 基于深度学习的图像识别方法
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
CN111859512A (zh) * 2020-07-28 2020-10-30 电子科技大学中山学院 一种矢量化户型图的建立方法、装置和电子设备
CN112784677A (zh) * 2020-12-04 2021-05-11 上海芯翌智能科技有限公司 模型训练方法及装置、存储介质、计算设备
CN113239785A (zh) * 2021-05-11 2021-08-10 百安居信息技术(上海)有限公司 一种基于卷积神经网络的户型自动识别的方法、系统、存储介质及电子设备
CN113591929A (zh) * 2021-07-05 2021-11-02 华南师范大学 一种结合方向感知核集群的户型图识别方法
CN113742996A (zh) * 2021-07-28 2021-12-03 杭州群核信息技术有限公司 橱柜布局的处理方法和装置
CN114022895A (zh) * 2021-10-27 2022-02-08 上海品览数据科技有限公司 一种对建筑专业住宅平面图中户型的精准识别方法
CN116009560A (zh) * 2023-03-24 2023-04-25 科大讯飞股份有限公司 机器人及其寻桩方法、装置及存储介质

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111797748A (zh) * 2020-06-28 2020-10-20 北京比邻弘科科技有限公司 基于深度学习的图像识别方法
CN111859512A (zh) * 2020-07-28 2020-10-30 电子科技大学中山学院 一种矢量化户型图的建立方法、装置和电子设备
CN111859512B (zh) * 2020-07-28 2023-05-12 电子科技大学中山学院 一种矢量化户型图的建立方法、装置和电子设备
CN112784677A (zh) * 2020-12-04 2021-05-11 上海芯翌智能科技有限公司 模型训练方法及装置、存储介质、计算设备
CN113239785A (zh) * 2021-05-11 2021-08-10 百安居信息技术(上海)有限公司 一种基于卷积神经网络的户型自动识别的方法、系统、存储介质及电子设备
CN113591929A (zh) * 2021-07-05 2021-11-02 华南师范大学 一种结合方向感知核集群的户型图识别方法
CN113591929B (zh) * 2021-07-05 2023-07-25 华南师范大学 一种结合方向感知核集群的户型图识别方法
CN113742996A (zh) * 2021-07-28 2021-12-03 杭州群核信息技术有限公司 橱柜布局的处理方法和装置
CN114022895A (zh) * 2021-10-27 2022-02-08 上海品览数据科技有限公司 一种对建筑专业住宅平面图中户型的精准识别方法
CN114022895B (zh) * 2021-10-27 2024-05-10 上海品览数据科技有限公司 一种对建筑专业住宅平面图中户型的精准识别方法
CN116009560A (zh) * 2023-03-24 2023-04-25 科大讯飞股份有限公司 机器人及其寻桩方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN111008654A (zh) 一种户型图中房间的识别方法及系统
JP6116746B1 (ja) 情報処理装置、情報処理方法、及びプログラム
US10346996B2 (en) Image depth inference from semantic labels
CN106952338B (zh) 基于深度学习的三维重建的方法、系统及可读存储介质
CN107978017B (zh) 基于框线提取的室内结构快速建模方法
CN109460769A (zh) 一种基于表格字符检测与识别的移动端系统与方法
CN111611643A (zh) 户型矢量化数据获得方法、装置、电子设备及存储介质
JP2012032370A (ja) 欠陥検出方法、欠陥検出装置、学習方法、プログラム、及び記録媒体
CN108876843B (zh) 用于部件几何结构提取的方法和系统
CN114677565B (zh) 特征提取网络的训练方法和图像处理方法、装置
CN110910445B (zh) 一种物件尺寸检测方法、装置、检测设备及存储介质
Sohn et al. An implicit regularization for 3D building rooftop modeling using airborne lidar data
CN113129311B (zh) 一种标签优化点云实例分割方法
CN113658203A (zh) 建筑物三维轮廓提取及神经网络的训练方法和装置
Presenti et al. Automatic anomaly detection from X-ray images based on autoencoders
CN111783561A (zh) 审图结果修正方法、电子设备及相关产品
CN114926849A (zh) 一种文本检测方法、装置、设备及存储介质
CN111898408B (zh) 一种快速人脸识别方法及装置
CN117541652A (zh) 一种基于深度lk光流法与d-prosac采样策略的动态slam方法
CN112052489B (zh) 一种户型图生成方法及系统
CN117237681A (zh) 图像处理方法、装置及相关设备
Men et al. Hue-assisted automatic registration of color point clouds
WO2023284670A1 (zh) 图形码提取模型构建方法、识别方法、装置、设备和介质
CN113963211B (zh) 一种用于手势识别的无监督域适应训练方法及系统
CN116246161A (zh) 领域知识引导下的遥感图像目标精细类型识别方法及装置

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200414