CN111444986A - 建筑图纸构件分类方法、装置、电子设备及存储介质 - Google Patents
建筑图纸构件分类方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111444986A CN111444986A CN202010348840.2A CN202010348840A CN111444986A CN 111444986 A CN111444986 A CN 111444986A CN 202010348840 A CN202010348840 A CN 202010348840A CN 111444986 A CN111444986 A CN 111444986A
- Authority
- CN
- China
- Prior art keywords
- classifier
- feature map
- building drawing
- target
- classifying
- 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 87
- 238000010276 construction Methods 0.000 claims abstract description 59
- 230000011218 segmentation Effects 0.000 claims abstract description 57
- 238000005070 sampling Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000010586 diagram Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 30
- 238000011176 pooling Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 20
- 230000002349 favourable effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
本申请实施例公开了一种建筑图纸构件分类方法、装置、电子设备及存储介质,该方法包括:对输入的训练数据集中的建筑图纸进行预处理,得到目标建筑图纸;然后通过全卷积分割网络对目标建筑图纸进行下采样得到第一特征图,对第一特征图进行上采样得到第二特征图;采用阈值分割法对第二特征图中每个像素点进行类别判断,输出建筑图纸中每个构件的分类结果;重复以上步骤训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;根据第一分类器和第二分类器在测试数据集上的测试效果确定最终要使用的目标分类器,使用目标分类器对待分类建筑图纸中的构件进行分类。本申请实施例有利于提高建筑图纸构件分类的效果。
Description
技术领域
本申请涉及图像识别技术领域,尤其涉及一种建筑图纸构件分类方法、装置、电子设备及存储介质。
背景技术
深度学习的发展使语音识别、自然语言处理、图像与视频分析等诸多领域的应用取得了极具意义的进步,现有的深度学习模型采用的是神经网络,例如:全卷积网络(FullyConvolutional Networks for Semantic Segmentation,FCN)就是图像识别领域应用十分广泛的网络模型。全卷积网络在建筑图纸识别上可以对图像进行像素级的分类,从而实现图纸中构件的分类(识别),全连接网络的好处是可以接受任意尺寸的输入图像,但是当全卷积网络对特征图进行上采样的倍数过大时,上采样的结果会比较模糊和平滑,导致建筑图纸中构件的分类效果并不好。
发明内容
为解决上述问题,本申请提供了一种建筑图纸构件分类方法、装置、电子设备及存储介质,有利于提高建筑图纸中构件分类的效果。
本申请实施例第一方面提供了一种建筑图纸构件分类方法,该方法包括:
(1)对输入的训练数据集中的建筑图纸进行预处理,得到目标建筑图纸;
(2)将所述目标建筑图纸输入全卷积分割网络进行下采样,得到第一特征图,以及对所述第一特征图进行上采样,得到与所述目标建筑图纸尺寸相同的第二特征图;
(3)采用阈值分割法对所述第二特征图中每个像素点进行类别判断,输出所述建筑图纸中每个构件的分类结果;
(4)采用步骤(1)至步骤(3)训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;
(5)获取所述第一分类器和所述第二分类器在测试数据集上的分类结果,根据在测试数据集上的分类结果从所述第一分类器和所述第二分类器中确定出目标分类器,使用所述目标分类器对待分类建筑图纸中的构件进行分类。
结合第一方面,在一种可能的实施方式中,所述将所述目标建筑图纸输入全卷积分割网络进行下采样,得到第一特征图的步骤,包括:
通过一卷积层对所述目标建筑图纸进行多次卷积,得到与所述目标建筑图纸尺寸相同的特征图;
通过一池化层对与所述目标建筑图纸尺寸相同的特征图进行最大池化操作,逐层缩小特征图的尺寸;
经过若干卷积层和池化层的交替处理得到所述第一特征图。
结合第一方面,在一种可能的实施方式中,所述对所述第一特征图进行上采样,得到与所述目标建筑图纸尺寸相同的第二特征图的步骤,包括:
通过一反卷积层对所述第一特征图进行反卷积处理;
将经过反卷积处理得到的特征图与下采样阶段得到的尺寸相同的特征图进行拼接;
对拼接得到的特征图进行卷积处理,经过多次反卷积、拼接、卷积的交替处理得到所述第二特征图。
结合第一方面,在一种可能的实施方式中,所述对用于训练的建筑图纸进行预处理的步骤,包括:
采用岭回归的方法对所述建筑图纸中的构件进行补全,得到待滤波建筑图纸;
采用高通滤波法对所述待滤波建筑图纸中的构件的边缘信号进行增强,得到所述目标建筑图纸。
结合第一方面,在一种可能的实施方式中,所述采用阈值分割法对所述第二特征图中每个像素点进行类别判断的步骤,包括:
将所述第二特征图中每个像素点的特征值输入softmax函数,在计算出某个像素点的类别概率大于或等于生成阈值的情况下,确定该像素点属于目标构件,以完成每个像素点的类别判断。
结合第一方面,在一种可能的实施方式中,在对训练数据集中的建筑图纸进行预处理之前,所述方法还包括:
针对用于训练所述第一分类器的所述建筑图纸,将所述建筑图纸的标签设定为二元标签;
针对用于训练所述第二分类器的所述建筑图纸,将所述建筑图纸的标签设定为多元标签;
本申请实施例第二方面提供了一种建筑图纸构件分类装置,该装置包括:
图纸预处理模块,用于对输入的训练数据集中的建筑图纸进行预处理,得到目标建筑图纸;
图纸分割模块,用于将所述目标建筑图纸输入全卷积分割网络进行下采样,得到第一特征图,以及对所述第一特征图进行上采样,得到与所述目标建筑图纸尺寸相同的第二特征图;
像素点分类模块,用于采用阈值分割法对所述第二特征图中每个像素点进行类别判断,输出所述建筑图纸中每个构件的分类结果;
分类器训练模块,用于采用所述图纸预处理模块、所述图纸分割模块和所述像素点分类模块所执行的步骤训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;
分类器确定模块,用于获取所述第一分类器和所述第二分类器在测试数据集上的分类结果,根据在测试数据集上的分类结果从所述第一分类器和所述第二分类器中确定出目标分类器,使用所述目标分类器对待分类建筑图纸中的构件进行分类。
本申请实施例第三方面提供了一种电子设备,该电子设备包括输入设备和输出设备,还包括处理器,适于实现一条或多条指令;以及,
计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由所述处理器加载并执行上述第一方面所述的方法中的步骤。
本申请实施例第四方面提供了一种计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行上述第一方面所述的方法中的步骤。
与现有技术相比,本申请实施例通过对输入的训练数据集中的建筑图纸进行预处理,得到目标建筑图纸;然后通过全卷积分割网络对目标建筑图纸进行下采样得到第一特征图,对第一特征图进行上采样得到第二特征图;采用阈值分割法对第二特征图中每个像素点进行类别判断,输出建筑图纸中每个构件的分类结果;重复以上步骤训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;根据第一分类器和第二分类器在测试数据集上的测试效果确定最终要使用的目标分类器,使用目标分类器对待分类建筑图纸中的构件进行分类,从而有利于提高建筑图纸构件分类的效果。
附图说明
为了更清楚地说明本申请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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请实施例提供的一种网络系统架构图;
图2为本申请实施例提供的一种建筑图纸构件分类方法的流程示意图;
图3为本申请实施例提供的一种通过人机交互界面提交建筑图纸的示例图;
图4为本申请实施例提供的一种全卷积分割网络的结构示意图;
图5为本申请实施例提供的另一种建筑图纸构件分类方法的流程示意图;
图6为本申请实施例提供的一种建筑图纸构件分类装置的结构示意图;
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
本申请说明书、权利要求书和附图中出现的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,术语“第一”、“第二”和“第三”等是用于区别不同的对象,而并非用于描述特定的顺序。
本申请实施例提供一种建筑图纸构件分类方案以对建筑图纸(例如:dwg格式的图纸、jpg格式的图纸等)中的构件进行分类或识别,该分类方案采用高通滤波法对建筑图纸中构件的边缘信号进行增强,在图纸分割时,将下采样过程中提取的特征图与上采样过程中提取的特征图进行拼接,而不是相加,可以丰富反卷积层的特征维度,同时,在反卷积结束后采用阈值分割可直接输出对应像素点的判别结果,能够节省计算资源,在分类器方面,训练出针对图纸中单个构件的分类器和针对图纸中所有构件的分类器,选用测试效果更好的分类器进行构件分类,从而有利于提高建筑图纸构件分类的效果。
具体的,该建筑图纸构件分类方案可基于图1所示的网络系统架构进行实施,如图1所示,该网络系统架构至少包括终端和分类服务器,整个网络系统通过网络连接,该网络可以是虚拟专用网、局域网、广域网等,具体通信传输协议不作限定。终端用于向分类服务器传输建筑图纸,例如:用于训练分类器的样本建筑图纸、用于测试分类器的测试建筑图纸、或者是需要直接对构件进行分类的待分类建筑图纸,分类服务器为本方案的执行主体,在一些实施例中,分类服务器可以针对终端提交的请求分别执行分类器训练、分类器测试、待分类建筑图纸分类的相关步骤,例如:建筑图纸的预处理、建筑图纸的下采样和上采样、建筑图纸像素级分类,等等。可以理解的,本申请中的终端可以是电脑、平板电脑、智能手机等设备,分类服务器可以是本地服务器,也可以是云端服务器,或者也可以是服务器集群,图1仅仅是实施本申请提出的建筑图纸构件分类方案的一种示例,其还可以包括如数据库、路由器、交换机等更多的组成部分。
基于图1所示的网络系统架构,以下结合相关附图对本申请实施例提出的建筑图纸构件分类方法进行详细阐述,请参见图2,图2为本申请实施例提供的一种建筑图纸构件分类方法的流程示意图,如图2所示,包括步骤S21-S25:
S21,对输入的训练数据集中的建筑图纸进行预处理,得到目标建筑图纸;
本申请具体实施例中,训练数据集中的建筑图纸可以是本地数据库中的历史建筑图纸,例如:万科的Vanke-Bu数据库,或者来自第三方平台的建筑图纸,例如:第三方设计院。该建筑图纸由用户通过终端提交的构件分类请求传输至分类服务器,如图3所示,用户可通过智能审图平台的界面按钮上传训练数据集中的建筑图纸,分类服务器在检测到特定控件被触发的情况下,执行相关步骤,当然,在一些实施例中,用户还可通过输入程序代码实现建筑图纸的传输或提交。目标建筑图纸即预处理后得到的效果更好的图纸,上述对建筑图纸进行预处理可以是进行平移、翻转、仿射变换、平滑、高通滤波、去噪等等,旨在得到门、窗等构件更加清晰的目标建筑图纸。
S22,将所述目标建筑图纸输入全卷积分割网络进行下采样,得到第一特征图,以及对所述第一特征图进行上采样,得到与所述目标建筑图纸尺寸相同的第二特征图;
本申请具体实施例中,第一特征图即指下采样得到的高维特征图,第二特征图即指上采样得到的更关注关键信息的特征图。全卷积分割网络与传统FCN的处理模式大致相似,但对下采样卷积产生的特征图与上采样反卷积产生的特征图是采用的拼接,而不是简单地相加,拼接的意义在于对最大池化操作丢失掉的信息进行补偿,其基本框架类似于U-Net,请参见图4,左侧下采样部分包括多个卷积层,卷积层后通常接有池化层,输入的目标建筑图纸由第一个卷积层进行特征提取后,经过其后的池化层进行最大池化,将第一个卷积层提取到的与目标建筑图纸尺寸相同的特征图的尺寸将为原来的一半,池化层处理后得到的特征图输入下一个卷积层进行特征提取,如此交替处理直至最后一个卷积层提取出高维的特征图。针对下采样得到的高维特征图,使用逐层的反卷积对其进行上采样,得到尺寸与目标建筑图纸相同、更关注关键信息的特征图,具体的,先对高维特征图进行反卷积,对其尺寸进行放大,对于第一次反卷积得到的特征图,将下采样对应卷积层得到的尺寸相同的特征图与之拼接,然后对拼接后的特征图进行卷积,即完成第一反卷积层的处理,与第一个反卷积层相同,经过多个反卷积层的反卷积、拼接、卷积,得到更关注关键信息的特征图。
S23,采用阈值分割法对所述第二特征图中每个像素点进行类别判断,输出所述建筑图纸中每个构件的分类结果;
本申请具体实施例中,阈值分割利用目标建筑图纸中要提取的目标区域与背景在灰度上的差异对图纸中的每个像素点进行分类,通过设定不同的阈值,把目标建筑图纸中的像素点分为若干类,即判断出每个像素点属于哪个目标构件,最终完成对目标建筑图纸中的构件分类或识别。阈值分割通常包括单阈值分割和多阈值分割,可以理解的,单阈值分割主要针对图纸中仅有一个目标对象的情况,而建筑图纸中通常有各种门、各种窗、墙、柱等多个目标构件,因此,本方案采用多阈值分割的方法,将第二特征图中每个像素点的特征值输入softmax函数,当计算出某个像素点的类别概率大于或等于生成阈值(即选定的阈值)时,确定该像素点属于目标构件,以完成每个像素点的类别判断,最后输出目标建筑图纸中每个构件的分类结果在终端显示。
S24,采用步骤S21至步骤S23训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;
S25,获取所述第一分类器和所述第二分类器在测试数据集上的分类结果,根据在测试数据集上的分类结果从所述第一分类器和所述第二分类器中确定出目标分类器,使用所述目标分类器对待分类建筑图纸中的构件进行分类。
本申请具体实施例中,第一分类器即指针对建筑图纸中某一类或某一个构件单独进行分类的分类器,例如:仅能针对门这类构件进行分类,而第二分类器即指对建筑图纸中所有构件进行统一分类的分类器,在训练第一分类器时,采用标注工具设定训练数据集中的建筑图纸的标签为二元标签,然后进行迭代,训练第二分类器时,对建筑图纸的标签进行调整,将其设定为多元标签。训练好第一分类器和第二分类器后,在测试数据集上执行步骤S21-S23,分别使用第一分类器和第二分类器进行像素点类别判断,根据二者的分类结果确定出构件分类效果更好的目标分类器,后续使用该目标分类器对待分类建筑图纸中的构件进行分类。
可以看出,本申请实施例通过对输入的训练数据集中的建筑图纸进行预处理,得到目标建筑图纸;然后通过全卷积分割网络对目标建筑图纸进行下采样得到第一特征图,对第一特征图进行上采样得到第二特征图;采用阈值分割法对第二特征图中每个像素点进行类别判断,输出建筑图纸中每个构件的分类结果;重复以上步骤训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;根据第一分类器和第二分类器在测试数据集上的测试效果确定最终要使用的目标分类器,使用目标分类器对待分类建筑图纸中的构件进行分类,从而有利于提高建筑图纸构件分类的效果。
请参见图5,图5为本申请实施例提供的另一种建筑图纸构件分类方法的流程示意图,如图5所示,包括步骤S51-S56:
S51,在获取到终端输入的训练数据集中的建筑图纸时,采用岭回归的方法对所述建筑图纸中的构件进行补全,得到待滤波建筑图纸;
S52,采用高通滤波法对所述待滤波建筑图纸中的构件的边缘信号进行增强,得到目标建筑图纸;
本申请具体实施例中,针对输入的建筑图纸中的部分构件可能存在线条缺失、模糊等情况,采用岭回归的方法对该类构件进行补全,岭回归补全的过程实际就是建立合适的岭回归模型的过程,选定参数θ建立模型:其中,xa为构件线条缺失的建筑图纸的特征矩阵的第a行数据,a为特征矩阵的总行数,b=1,2,…,n,n为特征矩阵中特征数据的总数量,xab为第a行的第b列特征数据,fθ(xa)即模型补全的预测值,其中参数θ可通过目标代价函数求得,使目标代价函数值最小的参数θ即最终选定的参数θ。针对补全后得到的待滤波建筑图纸,采用高通滤波法对其进行滤波处理,待滤波建筑图纸中高于设定临界值的信号能够正常通过,而低于设定临界值的信号会被阻隔和减弱,以此实现对构件边缘信号的增强,提高构件的辨识度。
S53,将所述目标建筑图纸输入全卷积分割网络进行下采样,得到第一特征图,以及对所述第一特征图进行上采样,得到与所述目标建筑图纸尺寸相同的第二特征图;
S54,采用阈值分割法对所述第二特征图中每个像素点进行类别判断,输出所述建筑图纸中每个构件的分类结果;
S55,采用步骤S51至步骤S54训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;
S56,获取所述第一分类器和所述第二分类器在测试数据集上的分类结果,根据在测试数据集上的分类结果从所述第一分类器和所述第二分类器中确定出目标分类器,使用所述目标分类器对待分类建筑图纸中的构件进行分类。
其中,上述步骤S53-S56的具体实施方式在图2所示的实施例中已有详细说明,为避免重复,此处不再赘述。
本申请实施例在获取到终端输入的训练数据集中的建筑图纸时,采用岭回归的方法对所述建筑图纸中的构件进行补全,得到待滤波建筑图纸;然后采用高通滤波法对所述待滤波建筑图纸中的构件的边缘信号进行增强,得到目标建筑图纸;将所述目标建筑图纸输入全卷积分割网络进行下采样,得到第一特征图,以及对所述第一特征图进行上采样,得到与所述目标建筑图纸尺寸相同的第二特征图;采用上述步骤训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;最后获取所述第一分类器和所述第二分类器在测试数据集上的分类结果,根据在测试数据集上的分类结果从所述第一分类器和所述第二分类器中确定出目标分类器,使用所述目标分类器对待分类建筑图纸中的构件进行分类,从而有利于提高建筑图纸构件分类的效果。
基于上述方法实施例的描述,本申请实施例还提供一种建筑图纸构件分类装置,所述建筑图纸构件分类装置可以是运行于终端中的一个计算机程序(包括程序代码)。该建筑图纸构件分类装置可以执行图2或图5所示的方法。
请参见图6,该装置包括:
图纸预处理模块61,用于对输入的训练数据集中的建筑图纸进行预处理,得到目标建筑图纸;
图纸分割模块62,用于将所述目标建筑图纸输入全卷积分割网络进行下采样,得到第一特征图,以及对所述第一特征图进行上采样,得到与所述目标建筑图纸尺寸相同的第二特征图;
像素点分类模块63,用于采用阈值分割法对所述第二特征图中每个像素点进行类别判断,输出所述建筑图纸中每个构件的分类结果;
分类器训练模块64,用于采用所述图纸预处理模块、所述图纸分割模块和所述像素点分类模块所执行的步骤训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;
分类器确定模块65,用于获取所述第一分类器和所述第二分类器在测试数据集上的分类结果,根据在测试数据集上的分类结果从所述第一分类器和所述第二分类器中确定出目标分类器,使用所述目标分类器对待分类建筑图纸中的构件进行分类。
在一种可选的实施方式中,对用于训练的建筑图纸进行预处理方面,图纸预处理模块61具体用于:
采用岭回归的方法对所述建筑图纸中的构件进行补全,得到待滤波建筑图纸;
采用高通滤波法对所述待滤波建筑图纸中的构件的边缘信号进行增强,得到所述目标建筑图纸。
在一种可选的实施方式中,在将所述目标建筑图纸输入全卷积分割网络进行下采样,得到第一特征图方面,图纸分割模块62具体用于:
通过一卷积层对所述目标建筑图纸进行多次卷积,得到与所述目标建筑图纸尺寸相同的特征图;
通过一池化层对与所述目标建筑图纸尺寸相同的特征图进行最大池化操作,逐层缩小特征图的尺寸;
经过若干卷积层和池化层的交替处理得到所述第一特征图。
在一种可选的实施方式中,在对所述第一特征图进行上采样,得到与所述目标建筑图纸尺寸相同的第二特征图方面,图纸分割模块62具体用于:
通过一反卷积层对所述第一特征图进行反卷积处理;
将经过反卷积处理得到的特征图与下采样阶段得到的尺寸相同的特征图进行拼接;
对拼接得到的特征图进行卷积处理,经过多次反卷积、拼接、卷积的交替处理得到所述第二特征图。
在一种可选的实施方式中,在采用阈值分割法对所述第二特征图中每个像素点进行类别判断方面,像素点分类模块63具体用于:
将所述第二特征图中每个像素点的特征值输入softmax函数,在计算出某个像素点的类别概率大于或等于生成阈值的情况下,确定该像素点属于目标构件,以完成每个像素点的类别判断。
在一种可选的实施方式中,在对训练数据集中的建筑图纸进行预处理之前,图纸预处理模块61具体还用于:
针对用于训练所述第一分类器的所述建筑图纸,将所述建筑图纸的标签设定为二元标签;
针对用于训练所述第二分类器的所述建筑图纸,将所述建筑图纸的标签设定为多元标签。
本申请实施例提供的建筑图纸构件分类装置通过对输入的训练数据集中的建筑图纸进行预处理,得到目标建筑图纸;然后通过全卷积分割网络对目标建筑图纸进行下采样得到第一特征图,对第一特征图进行上采样得到第二特征图;采用阈值分割法对第二特征图中每个像素点进行类别判断,输出建筑图纸中每个构件的分类结果;重复以上步骤训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;根据第一分类器和第二分类器在测试数据集上的测试效果确定最终要使用的目标分类器,使用目标分类器对待分类建筑图纸中的构件进行分类,从而有利于提高建筑图纸构件分类的效果。
根据本申请的一个实施例,图6所示的建筑图纸构件分类装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本发明的实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以由多个单元来实现,或者多个单元的功能由一个单元实现。在本发明的其它实施例中,建筑图纸构件分类装置也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由多个单元协作实现。
根据本申请的另一个实施例,可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行如图2或图5中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图6所示的装置设备,以及来实现本发明实施例的上述方法。所述计算机程序可以记载于例如计算机可读记录介质上,并通过计算机可读记录介质装载于上述计算设备中,并在其中运行。
基于上述方法实施例以及装置实施例的描述,本发明实施例还提供一种电子设备。请参见图7,该电子设备至少包括处理器701、输入设备702、输出设备703以及计算机存储介质704。其中,电子设备内的处理器701、输入设备702、输出设备703以及计算机存储介质704可通过总线或其他方式连接。
计算机存储介质704可以存储在电子设备的存储器中,所述计算机存储介质704用于存储计算机程序,所述计算机程序包括程序指令,所述处理器701用于执行所述计算机存储介质704存储的程序指令。处理器701(或称CPU(Central Processing Unit,中央处理器))是电子设备的计算核心以及控制核心,其适于实现一条或多条指令,具体适于加载并执行一条或多条指令从而实现相应方法流程或相应功能。
在一个实施例中,本申请实施例提供的电子设备的处理器701可以用于进行一系列建筑图纸构件分类处理,包括:
(1)对输入的训练数据集中的建筑图纸进行预处理,得到目标建筑图纸;
(2)将所述目标建筑图纸输入全卷积分割网络进行下采样,得到第一特征图,以及对所述第一特征图进行上采样,得到与所述目标建筑图纸尺寸相同的第二特征图;
(3)采用阈值分割法对所述第二特征图中每个像素点进行类别判断,输出所述建筑图纸中每个构件的分类结果;
(4)采用步骤(1)至步骤(3)训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;
(5)获取所述第一分类器和所述第二分类器在测试数据集上的分类结果,根据在测试数据集上的分类结果从所述第一分类器和所述第二分类器中确定出目标分类器,使用所述目标分类器对待分类建筑图纸中的构件进行分类。
本申请实施例通过对输入的训练数据集中的建筑图纸进行预处理,得到目标建筑图纸;然后通过全卷积分割网络对目标建筑图纸进行下采样得到第一特征图,对第一特征图进行上采样得到第二特征图;采用阈值分割法对第二特征图中每个像素点进行类别判断,输出建筑图纸中每个构件的分类结果;重复以上步骤训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;根据第一分类器和第二分类器在测试数据集上的测试效果确定最终要使用的目标分类器,使用目标分类器对待分类建筑图纸中的构件进行分类,从而有利于提高建筑图纸构件分类的效果。
在一个实施例中,处理器701执行所述对用于训练的建筑图纸进行预处理,包括:
采用岭回归的方法对所述建筑图纸中的构件进行补全,得到待滤波建筑图纸;
采用高通滤波法对所述待滤波建筑图纸中的构件的边缘信号进行增强,得到所述目标建筑图纸。
在一个实施例中,处理器701执行所述将所述目标建筑图纸输入全卷积分割网络进行下采样,得到第一特征图,包括:
通过一卷积层对所述目标建筑图纸进行多次卷积,得到与所述目标建筑图纸尺寸相同的特征图;
通过一池化层对与所述目标建筑图纸尺寸相同的特征图进行最大池化操作,逐层缩小特征图的尺寸;
经过若干卷积层和池化层的交替处理得到所述第一特征图。
在一个实施例中,处理器701执行所述对所述第一特征图进行上采样,得到与所述目标建筑图纸尺寸相同的第二特征图,包括:
通过一反卷积层对所述第一特征图进行反卷积处理;
将经过反卷积处理得到的特征图与下采样阶段得到的尺寸相同的特征图进行拼接;
对拼接得到的特征图进行卷积处理,经过多次反卷积、拼接、卷积的交替处理得到所述第二特征图。
在一个实施例中,处理器701执行所述采用阈值分割法对所述第二特征图中每个像素点进行类别判断,包括:
将所述第二特征图中每个像素点的特征值输入softmax函数,在计算出某个像素点的类别概率大于或等于生成阈值的情况下,确定该像素点属于目标构件,以完成每个像素点的类别判断。
在一个实施例中,处理器701还用于执行:针对用于训练所述第一分类器的所述建筑图纸,将所述建筑图纸的标签设定为二元标签;
针对用于训练所述第二分类器的所述建筑图纸,将所述建筑图纸的标签设定为多元标签。
本申请实施例通过对输入的训练数据集中的建筑图纸进行预处理,得到目标建筑图纸;然后通过全卷积分割网络对目标建筑图纸进行下采样得到第一特征图,对第一特征图进行上采样得到第二特征图;采用阈值分割法对第二特征图中每个像素点进行类别判断,输出建筑图纸中每个构件的分类结果;重复以上步骤训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;根据第一分类器和第二分类器在测试数据集上的测试效果确定最终要使用的目标分类器,使用目标分类器对待分类建筑图纸中的构件进行分类,从而有利于提高建筑图纸构件分类的效果。
示例性的,上述电子设备可以是智能手机、计算机、笔记本电脑、平板电脑、掌上电脑、服务器等。电子设备可包括但不仅限于处理器701、输入设备702、输出设备703以及计算机存储介质704。本领域技术人员可以理解,所述示意图仅仅是电子设备的示例,并不构成对电子设备的限定,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。
需要说明的是,由于电子设备的处理器701执行计算机程序时实现上述的建筑图纸构件分类方法中的步骤,因此上述建筑图纸构件分类方法的实施例均适用于该电子设备,且均能达到相同或相似的有益效果。
本申请实施例还提供了一种计算机存储介质(Memory),所述计算机存储介质是电子设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机存储介质既可以包括终端中的内置存储介质,当然也可以包括终端所支持的扩展存储介质。计算机存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器701加载并执行的一条或多条的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器;可选的,还可以是至少一个位于远离前述处理器701的计算机存储介质。在一个实施例中,可由处理器701加载并执行计算机存储介质中存放的一条或多条指令,以实现上述有关建筑图纸构件分类方法的相应步骤;具体实现中,计算机存储介质中的一条或多条指令由处理器701加载并执行如下步骤:
(1)对输入的训练数据集中的建筑图纸进行预处理,得到目标建筑图纸;
(2)将所述目标建筑图纸输入全卷积分割网络进行下采样,得到第一特征图,以及对所述第一特征图进行上采样,得到与所述目标建筑图纸尺寸相同的第二特征图;
(3)采用阈值分割法对所述第二特征图中每个像素点进行类别判断,输出所述建筑图纸中每个构件的分类结果;
(4)采用步骤(1)至步骤(3)训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;
(5)获取所述第一分类器和所述第二分类器在测试数据集上的分类结果,根据在测试数据集上的分类结果从所述第一分类器和所述第二分类器中确定出目标分类器,使用所述目标分类器对待分类建筑图纸中的构件进行分类。
在一种示例中,计算机存储介质中的一条或多条指令由处理器701加载时还执行如下步骤:
采用岭回归的方法对所述建筑图纸中的构件进行补全,得到待滤波建筑图纸;
采用高通滤波法对所述待滤波建筑图纸中的构件的边缘信号进行增强,得到所述目标建筑图纸。
在一种示例中,计算机存储介质中的一条或多条指令由处理器701加载时还执行如下步骤:
通过一卷积层对所述目标建筑图纸进行多次卷积,得到与所述目标建筑图纸尺寸相同的特征图;
通过一池化层对与所述目标建筑图纸尺寸相同的特征图进行最大池化操作,逐层缩小特征图的尺寸;
经过若干卷积层和池化层的交替处理得到所述第一特征图。
在一种示例中,计算机存储介质中的一条或多条指令由处理器701加载时还执行如下步骤:
通过一反卷积层对所述第一特征图进行反卷积处理;
将经过反卷积处理得到的特征图与下采样阶段得到的尺寸相同的特征图进行拼接;
对拼接得到的特征图进行卷积处理,经过多次反卷积、拼接、卷积的交替处理得到所述第二特征图。
在一种示例中,计算机存储介质中的一条或多条指令由处理器701加载时还执行如下步骤:
将所述第二特征图中每个像素点的特征值输入softmax函数,在计算出某个像素点的类别概率大于或等于生成阈值的情况下,确定该像素点属于目标构件,以完成每个像素点的类别判断。
在一种示例中,计算机存储介质中的一条或多条指令由处理器701加载时还执行如下步骤:
针对用于训练所述第一分类器的所述建筑图纸,将所述建筑图纸的标签设定为二元标签;
针对用于训练所述第二分类器的所述建筑图纸,将所述建筑图纸的标签设定为多元标签。
需要说明的是,由于计算机存储介质的计算机程序被处理器执行时实现上述的建筑图纸构件分类方法中的步骤,因此上述建筑图纸构件分类方法的所有实施例或实施方式均适用于该计算机存储介质,且均能达到相同或相似的有益效果。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种建筑图纸构件分类方法,其特征在于,所述方法包括:
(1)对输入的训练数据集中的建筑图纸进行预处理,得到目标建筑图纸;
(2)将所述目标建筑图纸输入全卷积分割网络进行下采样,得到第一特征图,以及对所述第一特征图进行上采样,得到与所述目标建筑图纸尺寸相同的第二特征图;
(3)采用阈值分割法对所述第二特征图中每个像素点进行类别判断,输出所述建筑图纸中每个构件的分类结果;
(4)采用步骤(1)至步骤(3)训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;
(5)获取所述第一分类器和所述第二分类器在测试数据集上的分类结果,根据在测试数据集上的分类结果从所述第一分类器和所述第二分类器中确定出目标分类器,使用所述目标分类器对待分类建筑图纸中的构件进行分类。
2.根据权利要求1所述的方法,其特征在于,所述对用于训练的建筑图纸进行预处理的步骤,包括:
采用岭回归的方法对所述建筑图纸中的构件进行补全,得到待滤波建筑图纸;
采用高通滤波法对所述待滤波建筑图纸中的构件的边缘信号进行增强,得到所述目标建筑图纸。
3.根据权利要求1所述的方法,其特征在于,所述将所述目标建筑图纸输入全卷积分割网络进行下采样,得到第一特征图的步骤,包括:
通过一卷积层对所述目标建筑图纸进行多次卷积,得到与所述目标建筑图纸尺寸相同的特征图;
通过一池化层对与所述目标建筑图纸尺寸相同的特征图进行最大池化操作,逐层缩小特征图的尺寸;
经过若干卷积层和池化层的交替处理得到所述第一特征图。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述对所述第一特征图进行上采样,得到与所述目标建筑图纸尺寸相同的第二特征图的步骤,包括:
通过一反卷积层对所述第一特征图进行反卷积处理;
将经过反卷积处理得到的特征图与下采样阶段得到的尺寸相同的特征图进行拼接;
对拼接得到的特征图进行卷积处理,经过多次反卷积、拼接、卷积的交替处理得到所述第二特征图。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述采用阈值分割法对所述第二特征图中每个像素点进行类别判断的步骤,包括:
将所述第二特征图中每个像素点的特征值输入softmax函数,在计算出某个像素点的类别概率大于或等于生成阈值的情况下,确定该像素点属于目标构件,以完成每个像素点的类别判断。
6.根据权利要求1所述的方法,其特征在于,在对训练数据集中的建筑图纸进行预处理之前,所述方法还包括:
针对用于训练所述第一分类器的所述建筑图纸,将所述建筑图纸的标签设定为二元标签;
针对用于训练所述第二分类器的所述建筑图纸,将所述建筑图纸的标签设定为多元标签。
7.一种建筑图纸构件分类装置,其特征在于,所述装置包括:
图纸预处理模块,用于对输入的训练数据集中的建筑图纸进行预处理,得到目标建筑图纸;
图纸分割模块,用于将所述目标建筑图纸输入全卷积分割网络进行下采样,得到第一特征图,以及对所述第一特征图进行上采样,得到与所述目标建筑图纸尺寸相同的第二特征图;
像素点分类模块,用于采用阈值分割法对所述第二特征图中每个像素点进行类别判断,输出所述建筑图纸中每个构件的分类结果;
分类器训练模块,用于采用所述图纸预处理模块、所述图纸分割模块和所述像素点分类模块所执行的步骤训练出针对单个构件进行分类的第一分类器和针对所有构件进行统一分类的第二分类器;
分类器确定模块,用于获取所述第一分类器和所述第二分类器在测试数据集上的分类结果,根据在测试数据集上的分类结果从所述第一分类器和所述第二分类器中确定出目标分类器,使用所述目标分类器对待分类建筑图纸中的构件进行分类。
8.根据权利要求7装置,其特征在于,在将所述目标建筑图纸输入全卷积分割网络进行下采样,得到第一特征图方面,所述图纸分割模块,具体用于:
通过一卷积层对所述目标建筑图纸进行多次卷积,得到与所述目标建筑图纸尺寸相同的特征图;
通过一池化层对与所述目标建筑图纸尺寸相同的特征图进行最大池化操作,逐层缩小特征图的尺寸;
经过若干卷积层和池化层的交替处理得到所述第一特征图。
9.一种电子设备,包括输入设备和输出设备,其特征在于,还包括:
处理器,适于实现一条或多条指令;以及,
计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由所述处理器加载并执行如权利要求1-6任一项所述的方法中的步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行如权利要求1-6任一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010348840.2A CN111444986A (zh) | 2020-04-28 | 2020-04-28 | 建筑图纸构件分类方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010348840.2A CN111444986A (zh) | 2020-04-28 | 2020-04-28 | 建筑图纸构件分类方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111444986A true CN111444986A (zh) | 2020-07-24 |
Family
ID=71653566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010348840.2A Pending CN111444986A (zh) | 2020-04-28 | 2020-04-28 | 建筑图纸构件分类方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444986A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036268A (zh) * | 2020-08-14 | 2020-12-04 | 万翼科技有限公司 | 构件识别方法及相关装置 |
CN112417996A (zh) * | 2020-11-03 | 2021-02-26 | 珠海格力电器股份有限公司 | 工业图纸的信息处理方法、装置、电子设备和存储介质 |
CN112989923A (zh) * | 2021-01-20 | 2021-06-18 | 上海品览智造科技有限公司 | 一种cad立面图中立面窗有无遮挡的精准判断的方法 |
CN113392761A (zh) * | 2021-06-15 | 2021-09-14 | 万翼科技有限公司 | 构件识别方法、装置、设备及存储介质 |
CN113469086A (zh) * | 2021-07-09 | 2021-10-01 | 上海智臻智能网络科技股份有限公司 | 建筑平面图中的区域划分方法、装置、设备及介质 |
CN113627257A (zh) * | 2021-07-09 | 2021-11-09 | 上海智臻智能网络科技股份有限公司 | 检测方法、检测系统、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764330A (zh) * | 2018-05-25 | 2018-11-06 | 西安电子科技大学 | 基于超像素分割和卷积反卷积网络的sar图像分类方法 |
CN108960005A (zh) * | 2017-05-19 | 2018-12-07 | 内蒙古大学 | 一种智能视觉物联网中对象视觉标签的建立及显示方法、系统 |
CN110136170A (zh) * | 2019-05-13 | 2019-08-16 | 武汉大学 | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 |
-
2020
- 2020-04-28 CN CN202010348840.2A patent/CN111444986A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960005A (zh) * | 2017-05-19 | 2018-12-07 | 内蒙古大学 | 一种智能视觉物联网中对象视觉标签的建立及显示方法、系统 |
CN108764330A (zh) * | 2018-05-25 | 2018-11-06 | 西安电子科技大学 | 基于超像素分割和卷积反卷积网络的sar图像分类方法 |
CN110136170A (zh) * | 2019-05-13 | 2019-08-16 | 武汉大学 | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 |
Non-Patent Citations (1)
Title |
---|
杨亚威等: "基于字典对联合学习的退化图像复原方法", 《计算机辅助设计与图形学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036268A (zh) * | 2020-08-14 | 2020-12-04 | 万翼科技有限公司 | 构件识别方法及相关装置 |
CN112036268B (zh) * | 2020-08-14 | 2022-11-18 | 万翼科技有限公司 | 构件识别方法及相关装置 |
CN112417996A (zh) * | 2020-11-03 | 2021-02-26 | 珠海格力电器股份有限公司 | 工业图纸的信息处理方法、装置、电子设备和存储介质 |
CN112989923A (zh) * | 2021-01-20 | 2021-06-18 | 上海品览智造科技有限公司 | 一种cad立面图中立面窗有无遮挡的精准判断的方法 |
CN113392761A (zh) * | 2021-06-15 | 2021-09-14 | 万翼科技有限公司 | 构件识别方法、装置、设备及存储介质 |
CN113469086A (zh) * | 2021-07-09 | 2021-10-01 | 上海智臻智能网络科技股份有限公司 | 建筑平面图中的区域划分方法、装置、设备及介质 |
CN113627257A (zh) * | 2021-07-09 | 2021-11-09 | 上海智臻智能网络科技股份有限公司 | 检测方法、检测系统、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444986A (zh) | 建筑图纸构件分类方法、装置、电子设备及存储介质 | |
CN108345827B (zh) | 识别文档方向的方法、系统和神经网络 | |
EP3843004A1 (en) | Portrait segmentation method, model training method and electronic device | |
WO2020063314A1 (zh) | 字符切分识别方法、装置、电子设备、存储介质 | |
CN110598620B (zh) | 基于深度神经网络模型的推荐方法和装置 | |
CN111488826A (zh) | 一种文本识别方法、装置、电子设备和存储介质 | |
CN113139543B (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
CN111950453A (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
CN111797821B (zh) | 文本检测方法、装置、电子设备及计算机存储介质 | |
US20230162477A1 (en) | Method for training model based on knowledge distillation, and electronic device | |
CN109559363A (zh) | 图像的风格化处理方法、装置、介质和电子设备 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN112288018A (zh) | 文字识别网络的训练方法、文字识别方法和装置 | |
CN111914654A (zh) | 一种文本版面分析方法、装置、设备和介质 | |
CN116266259A (zh) | 图像文字结构化输出方法、装置、电子设备和存储介质 | |
CN107886093B (zh) | 一种字符检测方法、系统、设备及计算机存储介质 | |
CN117786058A (zh) | 一种多模态大模型知识迁移框架的构建方法 | |
CN109543716B (zh) | 一种基于深度学习的k线形态图像识别方法 | |
CN116935368A (zh) | 深度学习模型训练方法、文本行检测方法、装置及设备 | |
CN114092818B (zh) | 语义分割方法、装置、电子设备及存储介质 | |
CN112801960B (zh) | 图像处理方法及装置、存储介质、电子设备 | |
CN115147814A (zh) | 交通指示对象的识别方法和目标检测模型的训练方法 | |
CN114582012A (zh) | 一种骨架人体行为识别方法、装置及设备 | |
CN115424250A (zh) | 一种车牌识别方法及装置 | |
CN116071625B (zh) | 深度学习模型的训练方法、目标检测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200724 |
|
RJ01 | Rejection of invention patent application after publication |