CN111339944A - 装修风格识别方法、装置及电子设备 - Google Patents
装修风格识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111339944A CN111339944A CN202010119685.7A CN202010119685A CN111339944A CN 111339944 A CN111339944 A CN 111339944A CN 202010119685 A CN202010119685 A CN 202010119685A CN 111339944 A CN111339944 A CN 111339944A
- Authority
- CN
- China
- Prior art keywords
- decoration
- probability
- style
- preset
- convolutional neural
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种装修风格识别方法、装置及电子设备,涉及图像识别技术领域,包括获取待识别的装修图;根据预设深度卷积神经网络对装修图进行识别,得到概率特征向量;根据预设浅层分类网络对概率特征向量进行分类,得到装修图的风格类型。本发明可以有效提高网站对装修效果图的识别效率和检索效率。
Description
技术领域
本发明涉及图像识别技术领域,尤其是涉及一种装修风格识别方法、装置及电子设备。
背景技术
目前,在专业的室内装修设计网站,用户可根据经验与审美选择合适的素材模型进行搭配绘图并渲染出相应的装修图片,但是素材模型的不同搭配会组合出不同的装修风格(如美式与中式等),在渲染处理时比较困难,且设计网站后台往往储存有大量未经风格标注的素材模型,渲染人员还需人工识别装修风格,进而工作耗时繁琐,造成网站工作效率低下。
发明内容
本发明的目的在于提供了一种装修风格识别方法、装置及电子设备,可以有效提高网站对装修效果图的识别效率和检索效率。
第一方面,本发明提供了一种装修风格识别方法,其中,包括:
获取待识别的装修图;
根据预设深度卷积神经网络对所述装修图进行识别,得到概率特征向量;
根据预设浅层分类网络对所述概率特征向量进行分类,得到所述装修图的风格类型。
进一步的,所述根据预设深度卷积神经网络对所述装修图进行识别,得到概率特征向量的步骤,包括:
将所述装修图分为多个大小相同的局部图片;
根据预设深度卷积神经网络对所述局部图片进行训练,得到多个概率向量;
将所述多个概率向量进行合并,得到概率特征向量。
进一步的,所述根据预设深度卷积神经网络对所述装修图进行识别,得到概率特征向量的步骤之前,还包括:
基于ImageNet数据库通过Finetune方法进行训练得到预设深度卷积神经网络。
进一步的,所述根据预设浅层分类网络对所述概率特征向量进行分类,得到所述装修图的风格类型的步骤,包括:
根据预设浅层分类网络对所述概率特征向量进行分析,得到每种风格类型概率;
根据所述每种风格类型概率进行分类,得到所述装修图的风格类型。
第二方面,本发明提供了一种装修风格识别装置,其中,包括:
获取单元,用于获取待识别的装修图;
识别单元,用于根据预设深度卷积神经网络对所述装修图进行识别,得到概率特征向量;
分类单元,用于根据预设浅层分类网络对所述概率特征向量进行分类,得到所述装修图的风格类型。
进一步的,所述识别单元还用于:
将所述装修图分为多个大小相同的局部图片;
根据预设深度卷积神经网络对所述局部图片进行训练,得到多个概率向量;
将所述多个概率向量进行合并,得到概率特征向量。
进一步的,所述识别单元还用于:
基于ImageNet数据库通过Finetune方法进行训练得到预设深度卷积神经网络。
进一步的,所述分类单元还用于:
根据预设浅层分类网络对所述概率特征向量进行分析,得到每种风格类型概率;
根据所述每种风格类型概率进行分类,得到所述装修图的风格类型。
第三方面,本发明提供了一种电子设备,其中,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现第一方面所述的装修风格识别方法的步骤。
第四方面,本发明提供了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计算机程序,其中,所述计算机程序被处理器运行时执行第一方面所述的装修风格识别方法的步骤。
本发明实施例带来了以下有益效果:
本发明提供了一种装修风格识别方法、装置及电子设备,通过获取待识别的装修图;再根据预设深度卷积神经网络对装修图进行识别,得到概率特征向量;最后根据预设浅层分类网络对概率特征向量进行分类,得到装修图的风格类型。在本实施例提供的上述方式中,该技术通过获取待识别的装修图,然后根据预设深度卷积神经网络对装修图进行识别,得到概率特征向量,最后根据预设浅层分类网络对概率特征向量进行分类,得到装修图的风格类型,实现了对装修图装修风格的自动识别,避免了因素材模型的不同搭配会组合出不同的装修风格,在渲染处理时比较困难,且设计网站后台往往储存有大量未经风格标注的素材模型,渲染人员还需人工识别装修风格,进而工作耗时繁琐,造成网站工作效率低下的问题,可以有效提高网站对装修效果图的识别效率和检索效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例一提供的一种装修风格识别方法流程图;
图2为本发明实施例一提供的模型识别方法流程图;
图3为本发明实施例一提供的得到概率特征向量流程图流程图;
图4为本发明实施例二提供的一种装修风格识别装置示意图;
图5为本发明实施例供的电子设备的结构示意图。
图标:401-获取单元;402-识别单元;403-分类单元;500-处理器;501-存储器;502-总线;503-通信接口。
具体实施方式
下面将结合实施例对本发明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做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。
考虑到现有技术中,再对选择的素材模型进行搭配绘图并渲染出相应的装修图片时需要人工识别装修风格,进而工作耗时繁琐,造成网站工作效率低下的问题。本发明提供了一种装修风格识别方法、装置及电子设备,该技术通过获取待识别的装修图,然后根据预设深度卷积神经网络对装修图进行识别,得到概率特征向量,最后根据预设浅层分类网络对概率特征向量进行分类,得到装修图的风格类型,实现了对装修图装修风格的自动识别,避免了因素材模型的不同搭配会组合出不同的装修风格(如美式与中式等),在渲染处理时比较困难,且设计网站后台往往储存有大量未经风格标注的素材模型,渲染人员还需人工识别装修风格,进而工作耗时繁琐,造成网站工作效率低下的问题,可以有效提高网站对装修效果图的识别效率和检索效率。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种装修风格识别方法进行详细介绍。
实施例一:
参照图1所示的一种装修风格识别方法流程图,可以由诸如计算机、处理器等电子设备执行,该方法主要包括步骤S101至步骤S103:
步骤S101,获取待识别的装修图。
在一中具体的实施方式中,装修图包括但不限于普通室内装修图和经过设计渲染得到的装修图,装修图可以是通过拍摄得到实际室内图片,还可以是通过3DMAX和3D云设计等专业设计软件得到的虚拟渲染图,图片格式可以为JPEG和PNG等数据格式。
步骤S102,根据预设深度卷积神经网络对装修图进行识别,得到概率特征向量。
在一种具体的实施方式中,示例性的说明如下:如图2所示的模型识别方法流程图,运用预先训练好的基于ResNet152深度卷积神经网络和浅层分类网络的室内装修风格识别模型,对上述获取得到的图片进行风格识别。所述室内装修风格识别模型为采用了两阶段的识别分类方法,具体表现为:
第一阶段:
(1).所输入图片从左上角,右上角,正中心,左下角和右下角五个位置点被裁剪修正为5张大小一致(高224,宽224)的局部图片。
(2).5张大小一致的局部图片被分别输入到预先训练好的ResNet152深度卷积神经网络中得到5个相应的概率向量pi,其中i=1,2,3,4,5,概率向量pi,如式(1)所示:
pi=[pi1,pi2,…,piL] (1)
其中L为待识别风格的数量,在本实施例中共有15种待识别风格即L=15;所述ResNet152深度卷积神经网络是在ImageNet上预训练模型权重的基础上通过对具有专业设计师风格标注的数据集上使用Finetune方法训练得到的。
第二阶段:
(3).将步骤(2)得到5个概率向量pi,i=1,2,3,4,5进行合并得到综合概率特征向量P,如式(2)所示:
P=[p1,p2,…,p5] (2)
(4).将综合概率向量P输入到预先训练好的浅层分类网络中进行分类,概率输出最大的即为原输入装修图的主要风格类型。其中风格共有15种,分别为美式、中式、欧式、工业、日式、轻奢、混搭、地中海、现代、新古典、新中式、北欧、田园、简约和东南亚。
步骤S103,根据预设浅层分类网络对概率特征向量进行分类,得到装修图的风格类型。
在一种具体的实施方式中,该方法应用目标包括家居3D云设计网站、社区等。
在本实施例提供的上述方式中,该技术通过获取待识别的装修图,然后根据预设深度卷积神经网络对装修图进行识别,得到概率特征向量,最后根据预设浅层分类网络对概率特征向量进行分类,得到装修图的风格类型,实现了对装修图装修风格的自动识别,避免了因素材模型包括不同的装修风格,在渲染处理时比较困难,且设计网站后台往往储存有大量未经风格标注的素材模型,渲染人员还需人工识别装修风格,造成渲染处理效率低下的问题,可以有效提高网站对装修效果图的识别效率和检索效率。
在具体实施时,参照图3所示的得到概率特征向量流程图,根据预设深度卷积神经网络对装修图进行识别,得到概率特征向量的步骤,包括以下步骤S301~S303:
步骤S301,将装修图分为多个大小相同的局部图片。
步骤S302,根据预设深度卷积神经网络对局部图片进行训练,得到多个概率向量。
步骤S303,将多个概率向量进行合并,得到概率特征向量。
在具体实施时,根据预设深度卷积神经网络对装修图进行识别,得到概率特征向量的步骤之前,还包括:
基于ImageNet数据库通过Finetune方法进行训练得到预设深度卷积神经网络。
在具体实施时,根据预设浅层分类网络对概率特征向量进行分类,得到装修图的风格类型的步骤,包括以下步骤a~b:
步骤a,根据预设浅层分类网络对概率特征向量进行分析,得到每种风格类型概率。
步骤b,根据每种风格类型概率进行分类,得到装修图的风格类型。
实施例二:
参照图4所示的一种装修风格识别装置示意图,包括:
获取单元401,用于获取待识别的装修图。
识别单元402,用于根据预设深度卷积神经网络对装修图进行识别,得到概率特征向量。
分类单元403,用于根据预设浅层分类网络对概率特征向量进行分类,得到装修图的风格类型。
在本实施例提供的上述装置中,该技术通过获取待识别的装修图,然后根据预设深度卷积神经网络对装修图进行识别,得到概率特征向量,最后根据预设浅层分类网络对概率特征向量进行分类,得到装修图的风格类型,实现了对装修图装修风格的自动识别,避免了因素材模型包括不同的装修风格,在渲染处理时比较困难,且设计网站后台往往储存有大量未经风格标注的素材模型,渲染人员还需人工识别装修风格,造成渲染处理效率低下的问题,可以有效提高网站对装修效果图的识别效率和检索效率。
在具体实施时,识别单元402还用于:
将装修图分为多个大小相同的局部图片;
根据预设深度卷积神经网络对局部图片进行训练,得到多个概率向量;
将多个概率向量进行合并,得到概率特征向量。
在具体实施时,识别单元402还用于:
基于ImageNet数据库通过Finetune方法进行训练得到预设深度卷积神经网络。
在具体实施时,分类单元403还用于:
根据预设浅层分类网络对概率特征向量进行分析,得到每种风格类型概率;
根据每种风格类型概率进行分类,得到装修图的风格类型。
本发明实施例还提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现实施例一装修风格识别方法的步骤。
图5为本发明实施例提供的一种电子设备的结构示意图,该电子设备包括:处理器500,存储器501,总线502和通信接口503,处理器500、通信接口503和存储器501通过总线502连接;处理器500用于执行存储器501中存储的可执行模块,例如计算机程序。
其中,存储器501可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口503(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线502可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器501用于存储程序,所述处理器500在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器500中,或者由处理器500实现。
处理器500可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器500中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器500可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器501,处理器500读取存储器501中的信息,结合其硬件完成上述方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其中,计算机程序被处理器运行时执行实施例一装修风格识别方法的步骤。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (10)
1.一种装修风格识别方法,其特征在于,包括:
获取待识别的装修图;
根据预设深度卷积神经网络对所述装修图进行识别,得到概率特征向量;
根据预设浅层分类网络对所述概率特征向量进行分类,得到所述装修图的风格类型。
2.根据权利要求1所述的方法,其特征在于,所述根据预设深度卷积神经网络对所述装修图进行识别,得到概率特征向量的步骤,包括:
将所述装修图分为多个大小相同的局部图片;
根据预设深度卷积神经网络对所述局部图片进行训练,得到多个概率向量;
将所述多个概率向量进行合并,得到概率特征向量。
3.根据权利要求1所述的方法,其特征在于,所述根据预设深度卷积神经网络对所述装修图进行识别,得到概率特征向量的步骤之前,还包括:
基于ImageNet数据库通过Finetune方法进行训练得到预设深度卷积神经网络。
4.根据权利要求1所述的方法,其特征在于,所述根据预设浅层分类网络对所述概率特征向量进行分类,得到所述装修图的风格类型的步骤,包括:
根据预设浅层分类网络对所述概率特征向量进行分析,得到每种风格类型概率;
根据所述每种风格类型概率进行分类,得到所述装修图的风格类型。
5.一种装修风格识别装置,其特征在于,包括:
获取单元,用于获取待识别的装修图;
识别单元,用于根据预设深度卷积神经网络对所述装修图进行识别,得到概率特征向量;
分类单元,用于根据预设浅层分类网络对所述概率特征向量进行分类,得到所述装修图的风格类型。
6.根据权利要求5所述的装置,其特征在于,所述识别单元还用于:
将所述装修图分为多个大小相同的局部图片;
根据预设深度卷积神经网络对所述局部图片进行训练,得到多个概率向量;
将所述多个概率向量进行合并,得到概率特征向量。
7.根据权利要求5所述的装置,其特征在于,所述识别单元还用于:
基于ImageNet数据库通过Finetune方法进行训练得到预设深度卷积神经网络。
8.根据权利要求5所述的装置,其特征在于,所述分类单元还用于:
根据预设浅层分类网络对所述概率特征向量进行分析,得到每种风格类型概率;
根据所述每种风格类型概率进行分类,得到所述装修图的风格类型。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至4任一项所述的装修风格识别方法的步骤。
10.一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计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1至4任一项所述的装修风格识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010119685.7A CN111339944A (zh) | 2020-02-26 | 2020-02-26 | 装修风格识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010119685.7A CN111339944A (zh) | 2020-02-26 | 2020-02-26 | 装修风格识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111339944A true CN111339944A (zh) | 2020-06-26 |
Family
ID=71185545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010119685.7A Pending CN111339944A (zh) | 2020-02-26 | 2020-02-26 | 装修风格识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339944A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016586A (zh) * | 2020-07-08 | 2020-12-01 | 武汉智筑完美家居科技有限公司 | 图片分类方法及装置 |
CN112508094A (zh) * | 2020-07-24 | 2021-03-16 | 完美世界(北京)软件科技发展有限公司 | 垃圾图片的识别方法、装置及设备 |
CN112800510A (zh) * | 2020-12-25 | 2021-05-14 | 佛山欧神诺云商科技有限公司 | 一种线上设计系统的设计方案装修风格识别方法、电子设备、存储介质 |
CN112818160A (zh) * | 2021-02-25 | 2021-05-18 | 武汉智筑完美家居科技有限公司 | 基于家具风格的家具检索方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803090A (zh) * | 2016-12-05 | 2017-06-06 | 中国银联股份有限公司 | 一种图像识别方法和装置 |
CN106815835A (zh) * | 2017-01-10 | 2017-06-09 | 北京邮电大学 | 损伤识别方法及装置 |
CN106874296A (zh) * | 2015-12-14 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种商品的风格识别方法及装置 |
CN106874924A (zh) * | 2015-12-14 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种图片风格识别方法及装置 |
CN109598231A (zh) * | 2018-12-03 | 2019-04-09 | 广州市百果园信息技术有限公司 | 一种视频水印的识别方法、装置、设备及存储介质 |
-
2020
- 2020-02-26 CN CN202010119685.7A patent/CN111339944A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874296A (zh) * | 2015-12-14 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种商品的风格识别方法及装置 |
CN106874924A (zh) * | 2015-12-14 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种图片风格识别方法及装置 |
CN106803090A (zh) * | 2016-12-05 | 2017-06-06 | 中国银联股份有限公司 | 一种图像识别方法和装置 |
CN106815835A (zh) * | 2017-01-10 | 2017-06-09 | 北京邮电大学 | 损伤识别方法及装置 |
CN109598231A (zh) * | 2018-12-03 | 2019-04-09 | 广州市百果园信息技术有限公司 | 一种视频水印的识别方法、装置、设备及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016586A (zh) * | 2020-07-08 | 2020-12-01 | 武汉智筑完美家居科技有限公司 | 图片分类方法及装置 |
CN112508094A (zh) * | 2020-07-24 | 2021-03-16 | 完美世界(北京)软件科技发展有限公司 | 垃圾图片的识别方法、装置及设备 |
CN112508094B (zh) * | 2020-07-24 | 2023-10-20 | 完美世界(北京)软件科技发展有限公司 | 垃圾图片的识别方法、装置及设备 |
CN112800510A (zh) * | 2020-12-25 | 2021-05-14 | 佛山欧神诺云商科技有限公司 | 一种线上设计系统的设计方案装修风格识别方法、电子设备、存储介质 |
CN112818160A (zh) * | 2021-02-25 | 2021-05-18 | 武汉智筑完美家居科技有限公司 | 基于家具风格的家具检索方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339944A (zh) | 装修风格识别方法、装置及电子设备 | |
CN109146892B (zh) | 一种基于美学的图像裁剪方法及装置 | |
US20200175062A1 (en) | Image retrieval method and apparatus, and electronic device | |
CN110503682B (zh) | 矩形控件识别方法、装置、终端及存储介质 | |
CN111985518A (zh) | 门窗检测方法及其模型训练的方法、装置 | |
CN111652266A (zh) | 用户界面组件的识别方法、装置、电子设备和存储介质 | |
CN110569804A (zh) | 基于文本数据的失效场景判断方法及系统、服务器及介质 | |
CN113031938A (zh) | 一种可视化界面图像转化为编程语言数据的方法及装置 | |
CN112257629A (zh) | 一种建筑图纸的文本信息识别方法及装置 | |
CN109978044B (zh) | 训练数据生成方法和装置、以及模型的训练方法和装置 | |
CN110929664A (zh) | 图像识别方法以及装置 | |
WO2022011898A1 (zh) | 一种三维重建方法、装置、设备及计算机可读存储介质 | |
CN113128604A (zh) | 页面元素的识别方法、装置、电子设备及存储介质 | |
CN117253110A (zh) | 一种基于扩散模型的目标检测模型泛化能力提升方法 | |
CN113269153B (zh) | 一种表格识别方法以及装置 | |
CN111783561A (zh) | 审图结果修正方法、电子设备及相关产品 | |
CN112861571A (zh) | 家电设备控制方法、控制设备及计算机可读存储介质 | |
CN110765291A (zh) | 检索方法、装置及电子设备 | |
CN114170476A (zh) | 图像检索模型训练方法、装置、电子设备及存储介质 | |
CN114821062A (zh) | 基于图像分割的商品识别方法及装置 | |
CN115082944A (zh) | 表格的智能识别切分方法、系统和终端 | |
CN114821617A (zh) | 门窗洞的识别方法、装置、设备及可读存储介质 | |
CN110413819B (zh) | 一种图片描述信息的获取方法及装置 | |
CN113554065A (zh) | 一种三维建筑模型构件分类方法及装置 | |
CN112950167A (zh) | 设计服务匹配方法、装置、设备及存储介质 |
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 |