CN111553012A - 一种家装设计方法、装置、电子设备及存储介质 - Google Patents
一种家装设计方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111553012A CN111553012A CN202010349998.1A CN202010349998A CN111553012A CN 111553012 A CN111553012 A CN 111553012A CN 202010349998 A CN202010349998 A CN 202010349998A CN 111553012 A CN111553012 A CN 111553012A
- Authority
- CN
- China
- Prior art keywords
- information
- home decoration
- decoration design
- furniture
- designed
- 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
- 238000013461 design Methods 0.000 title claims abstract description 146
- 238000005034 decoration Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 18
- 241001122767 Theaceae Species 0.000 claims description 6
- 238000007667 floating Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种家装设计方法、装置、电子设备及存储介质,该方法包括:获取待设计户型的房间信息;将所述房间信息输入至预先训练好的transformer网络模型,得到针对所述待设计户型的家装设计信息;其中,所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。本发明实施例的技术方案,实现了家装的智能设计,且进一步实现了对家具进行自动排布的目的,提高了家装设计的智能化程度。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种家装设计方法、装置、电子设备及存储介质。
背景技术
随着房地产行业的迅速发展,家装设计的市场需求也迅速增大,而传统的家装设计行业是一个专业且耗时的行业,越来越无法满足市场对快速出图的需求。针对该市场需求,越来越多的企业加大了对智能家装设计的研发与投入力度。
目前,在智能家装设计领域,主要还是运用基于规则的优化技术、先验概率、模板匹配或者循环网络等技术。目前的智能家装设计技术普遍存在如下问题:无法满足家装设计多样性的需求以及无法实现家具的自动排布。
发明内容
本发明实施例提供一种家装设计方法、装置、电子设备及存储介质,实现了家装的智能设计,且进一步实现了对家具进行自动排布的目的,提高了家装设计的智能化程度。
第一方面,本发明实施例提供了一种家装设计方法,该方法包括:
获取待设计户型的房间信息;
将所述房间信息输入至预先训练好的transformer网络模型,得到针对所述待设计户型的家装设计信息;
其中,所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。
transformer网络具有较强的特征抽取能力,通过将transformer网络应用到家装设计中,提高了家装设计的设计效率与效果,以及实现了对家具的自动排布,提高了家装设计的智能化程度,地面家具的自动排布速度可达到秒级。
相比于传统的需要将输入编码成固定长度的seq2seq网络,transformer网络不会造成数据特征的严重丢失,进而提高了家装设计的效果。
进一步的,所述将所述房间信息输入至预先训练好的transformer网络模型之前,所述方法还包括:
基于所述待设计户型的房间信息,确定所述待设计户型的类别属性。
对应的,所述将所述房间信息输入至预先训练好的transformer网络模型,得到针对所述待设计户型的家装设计信息,包括:
将所述房间信息输入至预先训练好的、与所述类别属性对应的transformer网络模型;
其中,不同类别属性对应的transformer网络模型基于不同类别属性的户型的家装设计信息训练得到。
所述类别属性包括:老人房间、儿童房间、青年人房间、书房、厨房、卫生间或者客厅;
所述家具的类别信息包括下述至少一种:床、书桌、衣柜、梳妆台、茶几、以及电视柜;
所述房间信息包括下述至少一种:房门以及房门的位置信息、墙体以及墙体的位置信息、飘窗以及飘窗的位置信息、窗户以及窗户的位置信息。
通过针对不同类别属性的房间分别建模训练,在对不同类别属性的房间进行家装设计时,使用不同类别属性对应的网络模型,进一步提高了家装设计的设计效果。例如老人房间的家装设计与儿童房间的家装设计存在较大差异,通过分别针对老人房间的家装设计建立模型并预先训练,针对儿童房间的家装设计建立模型并预先训练。在需要对待设计的儿童房间进行家装设计时,利用预先训练好的、适用儿童房间的网络模型进行智能设计,不仅提高了家装设计速度,还可极大地提高家装设计效果。
进一步的,所述预先训练好的transformer网络模型包括一个编码网络Encoder和两个解码网络Decoder;
其中,所述编码网络Encoder用于接收所述待设计户型的房间信息,并对所述房间信息进行编码,将编码后得到的向量信息分别输入至所述两个解码网络Decoder;
所述两个解码网络Decoder中的一个用于对所述向量信息中的坐标序列进行解码,以获得所述家装设计信息中家具的摆放位置信息,另一个解码网络Decoder用于对所述向量信息中的类别序列进行解码,以获得所述家装设计信息中家具的类别信息。
通过设计两个解码网络Decoder,可提高网络模型的解码能力,实现准确解码出家具的位置坐标序列和家具的类别序列,进而提高整个网络模型的家装设计性能。
进一步的,所述方法还包括:
基于所述家装设计信息,生成所述待设计户型的家装设计图。
例如利用3D显示软件基于所述家装设计信息,生成所述待设计户型的3D家装设计图,不仅方便用户观看,还可极大地提高用户体验。
进一步的,所述方法还包括:
所述获取待设计户型的房间信息,包括:
基于所述待设计户型的户型图,通过图像识别模型确定所述房间信息。
例如,卷积神经网络在图像分类方面表现性能优越,可基于卷积神经网络预先训练获得图像识别模型,用以基于待设计户型的户型图确定其中的房门、墙体、窗户等硬件实体,即不可摆放家具的位置,或者理解为获得可摆放家具的空间信息,既可提高确定效率,又可获得较高的确定精度。
第二方面,本发明实施例还提供了一种家装设计装置,该装置包括:
获取模块,用于获取待设计户型的房间信息;
设计模块,用于将所述房间信息输入至预先训练好的transformer网络模型,得到针对所述待设计户型的家装设计信息;
其中,所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。
第三方面,本发明实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例所述的家装设计方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任一实施例所述的家装设计方法。
本发明实施例的技术方案,通过获取待设计户型的房间信息;将所述房间信息输入至预先训练好的transformer网络模型,得到针对所述待设计户型的家装设计信息;其中,所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息的技术手段,实现了家装的智能设计,且进一步实现了对家具进行自动排布的目的,提高了家装设计的智能化程度。
附图说明
结合附图并参考以下具体实施方式,本发明各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本发明实施例一所提供的一种家装设计方法流程示意图;
图2为本发明实施例一所提供的一种transformer网络模型的结构示意图;
图3为本发明实施例一所提供的一种模型构建流程示意图;
图4为本发明实施例二所提供的一种家装设计方法流程示意图;
图5为本发明实施例三所提供的一种家装设计装置的结构示意图;
图6为本发明实施例四所提供的一种电子设备结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
实施例一
图1为本发明实施例一所提供的一种家装设计方法的流程示意图,该方法可适用于对待设计户型进行智能家装设计,解除了对家装设计人员专业性的依赖,可达到秒级生成家装设计图,极大地提高了家装设计速度。该方法可以由家装设计装置来执行,该装置可以通过软件和/或硬件的形式实现。
如图1所述,本实施例提供的家装设计方法包括如下步骤:
步骤110、获取待设计户型的房间信息。
其中,所述待设计户型可以是单独的一间房间的户型,也可以是一套房子所有房间的户型。例如可以是一套房子中厨房的户型,也可以是包括厨房、客厅、卧室以及卫生间等一居室、两居室或者三居室的户型。
所述房间信息具体包括下述至少一种:房门以及房门的位置信息、墙体以及墙体的位置信息、飘窗以及飘窗的位置信息、窗户以及窗户的位置信息以及遮挡的位置信息,例如突出的墙体。其目的是获取待设计户型的可用空间,即可摆放家具的有效空间,以及不能被家具遮挡的空间,例如窗户,其不能被高大的衣柜遮挡,以免影响室内光线。
示例性的,所述获取待设计户型的房间信息,包括:
基于所述待设计户型的户型图,通过图像识别模型确定所述房间信息。
在房地产领域,每套房子均配置有户型图,户型图也是设计人员对房间进行家装设计的基本依据与参考。同时,随着人工智能技术的发展,越来越多的神经网络被用来进行图像识别、图像分类以及感兴趣区域分割等,因此,为了提高房间信息的获取速度与精度,可通过图像识别模型,基于所述待设计户型的户型图确定所述房间信息。所述图像识别模型优选的可选择卷积神经网络,卷积神经网络在图像分类方面表现性能优越,可准确识别出房间中的不同实体对象,例如墙体、门、窗等。
步骤120、将所述房间信息输入至预先训练好的transformer网络模型,得到针对所述待设计户型的家装设计信息。
其中,所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。
所述家具的类别信息包括下述至少一种:床、书桌、衣柜、梳妆台、茶几、以及电视柜等。所述摆放位置信息可以是家具的摆放位置坐标。例如茶几与沙发通常配套出现,且两者之间具有相对位置的约束,可通过各自的坐标体现两者之间的相对位置关系以及在房间中的位置。
通过同时获得所设计的家具类别序列以及其对应的位置坐标序列,可实现家具的自动排布,无需人工手动排布。
示例性的,所述方法还包括:
基于所述家装设计信息,生成所述待设计户型的家装设计图。由于所述家装设计信息包括家具的类别信息以及家具的摆放位置信息,给自动生成家装设计图提供了不可或缺的数据基础。若所述家装设计信息不包括家具的摆放位置信息,则需要人工手动基于家具的排布序列,结合房间可摆放家具的空间大小手动排列,降低了家装设计的智能化程度,以及设计效率。
进一步的,可利用3D显示软件基于所述家装设计信息,生成所述待设计户型的3D家装设计图,不仅方便用户观看,还可极大地提高用户体验。
transformer网络具有较强的特征抽取能力,通过将transformer网络应用到家装设计中,提高了家装设计的设计效率与效果,以及实现了对家具的自动排布,提高了家装设计的智能化程度,地面家具的自动排布速度可达到秒级。相比于传统的需要将输入编码成固定长度的seq2seq网络,transformer网络不会造成数据特征的严重丢失,进而提高了家装设计效果。
具体的,参见图2所示的一种transformer网络模型的结构示意图,所述预先训练好的transformer网络模型包括一个编码网络Encoder和两个解码网络Decoder,分别为解码网络Decoder1和解码网络Decoder2。其中,所述编码网络Encoder用于接收所述待设计户型的房间信息,并对所述房间信息进行编码,将编码后得到的向量信息分别输入至解码网络Decoder1和解码网络Decoder2。所述房间信息包括类别信息(例如房门、墙体、窗户、飘窗等)以及位置信息(具体的例如房门的坐标信息、墙体的坐标信息、窗户的坐标信息或者飘窗的坐标信息)。所述房间信息编码后得到的向量信息对应的包括类别序列以及坐标序列。
所述两个解码网络Decoder中的一个(以图2为例是解码网络Decoder1)用于对所述向量信息中的坐标序列进行解码,并基于解码结果进行家装设计,获得所述家装设计信息中家具的摆放位置信息。另一个解码网络Decoder(以图2为例是解码网络Decoder2)用于对所述向量信息中的类别序列进行解码,以获得所述家装设计信息中家具的类别信息。
通过设计两个解码网络Decoder,可提高网络模型的解码能力,实现准确解码出家具的位置坐标序列和家具的类别序列,进而提高整个网络模型的家装设计性能。
优选的,所述编码网络Encoder采用多层网络结构,如果仅使用一两层网络结构,模型在特征抽取方面能力稍显不足,容易造成欠拟合的现象;而网络结构的层数越高,特征抽取能力越强,但是越容易造成过拟合的现象。因此本发明实施例通过多次试验确定采用6层相同的编码网络Encoder,每层的编码网络Encoder都包括两个部分,第一部分是多头自注意力机制multi-head self-attention mechanism,第二部分是前馈网络position-wisefeed-forward network,是一个全连接层。两个部分后都会连接一个残差层和一个标准化层(Add&Norm)。
解码网络Decoder的网络结构和Encoder的网络结构类似,在Encoder网络结构的基础上,增加了一个不同序列之间的注意力机制层attention。本发明实施例的技术方案,在输出部分,需要同时输出家具的摆放位置坐标和家具的类别label两个序列,因此使用两个Decoder能够更好的对编码信息进行解码,使用两个Decoder相比于一个Decoder,更能够准确地解码出家具摆放位置的坐标序列和家具类别label序列。
下面结合图2所示的一种transformer网络模型的结构示意图,以及图3所示的一种模型构建流程示意图,说明所述transformer网络模型的构建过程:
第一步:收集整理家装设计图。
收集家装设计公司内外部的家装设计图,该类家装设计图为用户比较满意、投入市场使用的家装设计图,用于作为模型的训练数据。
第二步:对第一步收集到的家装设计图进行序列标注。
对房间信息和房间内的家具排布进行序列标注。所述房间信息具体包括类别信息(例如房间、房门、墙体、窗户、飘窗、衣帽间、遮挡(是指不能摆放家具的空间,比如突出来的墙体)等)以及位置信息(具体的例如房门的坐标信息、墙体的坐标信息、窗户的坐标信息或者飘窗的坐标信息)。具体的,比如卧室按照左下角为起点,顺时针对房间信息的类别信息按照room、door、window、shelter等标签进行标注。同理,家具的排布按照相同的方式进行标注。
第三步:构建transformer网络模型的输入。
在获得标注数据之后,在房间的4个角插入坐标和4个point字符,表示一面墙家具摆放的结束,另外一面墙家具摆放的开始。将房间信息中类别信息的标注序列进行的映射,映射成id的形式。然后与房间信息中位置信息坐标序列一起作为transformer网络模型的Encoder网络部分的输入。将家具的标注序列进行词向量的映射,与家具的排布坐标序列一起作为transformer网络模型的Decoder部分的输入。上述的房间信息序列与家具序列,都加入PAD_TOKEN、SOS_TOKEN,EOS_TOKEN,UNK_TOKEN四个字符,其中,PAD_TOKEN表示序列填充,用来保证同一批次的序列具有相同的长度,SOS_TOKEN表示输入开始,EOS_TOKEN表示输入结束,UNK_TOKEN表示词汇表中没有出现过的陌生字符,具体的房间信息和家具信息词汇表如下表1所示。
表1房间信息和家具信息词汇表
将上述处理好的字符映射后的向量数据与坐标数据按照80%用于模型的训练,20%用于模型测试的比例,对数据集进行切分,按照训练集与测试集进行保存。
第四步:搭建transformer网络模型,然后进行网络模型的训练。
构建网络模型,具体网络模型的结构示意图参见图2所示,具体训练步骤如下:
(1)Encoder部分的输入:在transformer的Encoder部分,具体为图2的中间部分的网络结构,将上述标注获取的房间信息中的类别信息序列进行词编码,然后与房间信息中的位置信息坐标序列拼接在一起,合成新的向量,然后将该向量输入到网络模型中。
(2)Encoder网络的训练:将步骤(1)所获取的向量,输入到每个Encoder层,每层都会经过2个部分(第一部分是多头自注意力机制multi-head self-attention mechanism,第二部分是前馈网络position-wise feed-forward network,是一个全连接层)的处理,一共经过6层相同网络结构的神经网络,输出编码向量信息,再将编码向量信息分别输入到两个不同的Decoder网络结构中
(3)Decoder部分的输入:在transformer网络模型的Decoder部分,有两个Decoder如图2左边部分(Decoder1)是对坐标序列进行解码,将家具的坐标序列和经过Encoder网络编码后的向量信息一起输入到Decoder1神经网络中;图2的右边部分(Decoder2)是对家具类别序列进行解码,将家具类别序列的编码和Encoder网络编码后的向量信息一起输入到Decoder2神经网络中。
(4)Decoder网络的训练:Decoder的网络结构和Encoder的网络结构类似,在Encoder网络结构的基础上了多了一个不同序列之间的attention。将上述的输入部分,输入到Decoder网络中,经过Decoder网络的三个部分,然后将结果输入到一个全连接层,经过交叉熵损失,选择概率值最大的序列。本发明实施例的技术方案中的输出部分,需要同时输出家具的摆放位置坐标和家具类别label两个序列,因此使用两个Decoder能够更好的对编码信息进行解码,使用两个Decoder相比于一个Decoder,能够准确地解码出家具的摆放位置坐标序列和家具类别label序列。
(5)构建好网络模型后,使用gpu服务器对网络模型进行训练,通过训练数据对网络模型的参数进行调整,使用测试数据对网络模型的效果进行测试,不断调优模型,从而达到较优的状态。
第五步:将训练好的模型部署上线。将训练好的网络模型打包部署到服务器,以restful api的形式,对外提供服务。
通过收集不同类型房间的家装设计信息作为训练数据,相比之前的研究(使用的都是相对规整的矩形房间),本实施提供的家装设计方法更加能够符合现实的实际情况。
需要说明的是,家装设计方法中还可以使用CycleGAN网络模型,通过强化学习生成家具的排布信息。应用场景还可以扩展至广告设计的平面图生成,整个楼层的家装设计图生成等,只要针对性地收集足够的训练数据即可实现。所述家装设计方法中涉及到的常规操作步骤包括:数据的预处理(例如去噪、统一格式),损失函数的构建,模型的训练,超参数的调优,接口的发布以及模型的部署。
本发明实施例的技术方案,通过获取待设计户型的房间信息;将所述房间信息输入至预先训练好的transformer网络模型,得到针对所述待设计户型的家装设计信息;其中,所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息的技术手段,实现了家装的智能设计,且进一步实现了对家具进行自动排布的目的,提高了家装设计的智能化程度。
实施例二
图4为本发明实施例二所提供的一种家装设计方法的流程示意图。在上述实施例的基础上,本实施例对方案进行了进一步优化,具体是针对不同类别属性(例如老人房间、儿童房间、青年人房间、书房、厨房、卫生间或者客厅)的房间训练专门的transformer网络模型,在对待设计户型进行家装设计时,基于待设计户型的类别属性调用匹配的网络模型进行家装设计。这样设置的好处是可以满足家装设计多样性的要求,可提高家装设计的设计效果与客户满意度。
如图4所示,所述方法包括:
步骤410、基于所述待设计户型的房间信息,确定所述待设计户型的类别属性。
所述类别属性包括:老人房间、儿童房间、青年人房间、书房、厨房、卫生间或者客厅。
步骤420、将所述房间信息输入至预先训练好的、与所述类别属性对应的transformer网络模型。
其中,不同类别属性对应的transformer网络模型基于不同类别属性的户型的家装设计信息训练得到。所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。
所述家具的类别信息包括下述至少一种:床、书桌、衣柜、梳妆台、茶几、以及电视柜。
可以理解的是,不同类别属性的房间的家装设计存在较大差异,例如儿童房间的家装设计中可能需要布设学习桌,而老年人房间的家装设计中可能需要布设一台电视机。通过根据不同类别属性的房间分别构建并训练网络模型,可极大地提高模型的专业度,使得模型的设计效果更加符合用户的期望,进而提高用户粘性。
本发明实施例的技术方案,通过针对不同类别属性(例如老人房间、儿童房间、青年人房间、书房、厨房、卫生间或者客厅)的房间训练专门的transformer网络模型,在对待设计户型进行家装设计时,基于待设计户型的类别属性调用匹配的网络模型进行家装设计。满足了家装设计多样性的要求,提高了家装设计的设计效果与客户满意度。
实施例三
图5为本发明实施例三提供的一种家装设计装置,该装置包括:获取模块510和设计模块520。
获取模块510,用于获取待设计户型的房间信息;
设计模块520,用于将所述房间信息输入至预先训练好的transformer网络模型,得到针对所述待设计户型的家装设计信息;
其中,所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。
在上述各技术方案的基础上,所述装置还包括:
类别属性确定模块,用于将所述房间信息输入至预先训练好的transformer网络模型之前,基于所述待设计户型的房间信息,确定所述待设计户型的类别属性;对应的,所述设计模块520用于将所述房间信息输入至预先训练好的、与所述类别属性对应的transformer网络模型;
其中,不同类别属性对应的transformer网络模型基于不同类别属性的户型的家装设计信息训练得到。
在上述各技术方案的基础上,所述类别属性包括:老人房间、儿童房间、青年人房间、书房、厨房、卫生间或者客厅;
所述家具的类别信息包括下述至少一种:床、书桌、衣柜、梳妆台、茶几、以及电视柜;
所述房间信息包括下述至少一种:房门以及房门的位置信息、墙体以及墙体的位置信息、飘窗以及飘窗的位置信息、窗户以及窗户的位置信息。
在上述各技术方案的基础上,所述预先训练好的transformer网络模型包括一个编码网络Encoder和两个解码网络Decoder;
其中,所述编码网络Encoder用于接收所述待设计户型的房间信息,并对所述房间信息进行编码,将编码后得到的向量信息分别输入至所述两个解码网络Decoder;
所述两个解码网络Decoder中的一个用于对所述向量信息中的坐标序列进行解码,以获得所述家装设计信息中家具的摆放位置信息,另一个解码网络Decoder用于对所述向量信息中的类别序列进行解码,以获得所述家装设计信息中家具的类别信息。
在上述各技术方案的基础上,所述装置还包括:
生成模块,用于基于所述家装设计信息,生成所述待设计户型的家装设计图。
在上述各技术方案的基础上,所述获取模块510具体用于:
基于所述待设计户型的户型图,通过图像识别模型确定所述房间信息。
本发明实施例的技术方案,通过获取待设计户型的房间信息;将所述房间信息输入至预先训练好的transformer网络模型,得到针对所述待设计户型的家装设计信息;其中,所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息的技术手段,实现了家装的智能设计,且进一步实现了对家具进行自动排布的目的,提高了家装设计的智能化程度。
本发明实施例所提供的家装设计装置可执行本发明任意实施例所提供的家装设计方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
实施例四
下面参考图6,其示出了适于用来实现本发明实施例的电子设备(例如图6中的终端设备或服务器)400的结构示意图。本发明实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置406加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置406;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置406被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本发明实施例的方法中限定的上述功能。
本发明实施例提供的终端与上述实施例提供的家装设计方法属于同一发明构思,未在本发明实施例中详尽描述的技术细节可参见上述实施例,并且本发明实施例与上述实施例具有相同的有益效果。
实施例五
本发明实施例提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例所提供的家装设计方法。
需要说明的是,本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
获取待设计户型的房间信息;
将所述房间信息输入至预先训练好的transformer网络模型,得到针对所述待设计户型的家装设计信息;
其中,所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,可编辑内容显示单元还可以被描述为“编辑单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种家装设计方法,其特征在于,包括:
获取待设计户型的房间信息;
将所述房间信息输入至预先训练好的transformer网络模型,得到针对所述待设计户型的家装设计信息;
其中,所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。
2.根据权利要求1所述的方法,其特征在于,所述将所述房间信息输入至预先训练好的transformer网络模型之前,所述方法还包括:
基于所述待设计户型的房间信息,确定所述待设计户型的类别属性。
3.根据权利要求2所述的方法,其特征在于,所述将所述房间信息输入至预先训练好的transformer网络模型,得到针对所述待设计户型的家装设计信息,包括:
将所述房间信息输入至预先训练好的、与所述类别属性对应的transformer网络模型;
其中,不同类别属性对应的transformer网络模型基于不同类别属性的户型的家装设计信息训练得到。
4.根据权利要求2所述的方法,其特征在于,所述类别属性包括:老人房间、儿童房间、青年人房间、书房、厨房、卫生间或者客厅;
所述家具的类别信息包括下述至少一种:床、书桌、衣柜、梳妆台、茶几、以及电视柜;
所述房间信息包括下述至少一种:房门以及房门的位置信息、墙体以及墙体的位置信息、飘窗以及飘窗的位置信息、窗户以及窗户的位置信息。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述预先训练好的transformer网络模型包括一个编码网络Encoder和两个解码网络Decoder;
其中,所述编码网络Encoder用于接收所述待设计户型的房间信息,并对所述房间信息进行编码,将编码后得到的向量信息分别输入至所述两个解码网络Decoder;
所述两个解码网络Decoder中的一个用于对所述向量信息中的坐标序列进行解码,以获得所述家装设计信息中家具的摆放位置信息,另一个解码网络Decoder用于对所述向量信息中的类别序列进行解码,以获得所述家装设计信息中家具的类别信息。
6.根据权利要求1-4任一项所述的方法,其特征在于,还包括:
基于所述家装设计信息,生成所述待设计户型的家装设计图。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述获取待设计户型的房间信息,包括:
基于所述待设计户型的户型图,通过图像识别模型确定所述房间信息。
8.一种家装设计装置,其特征在于,包括:
获取模块,用于获取待设计户型的房间信息;
设计模块,用于将所述房间信息输入至预先训练好的transformer网络模型,得到针对所述待设计户型的家装设计信息;
其中,所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一项所述的家装设计方法。
10.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一项所述的家装设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010349998.1A CN111553012A (zh) | 2020-04-28 | 2020-04-28 | 一种家装设计方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010349998.1A CN111553012A (zh) | 2020-04-28 | 2020-04-28 | 一种家装设计方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111553012A true CN111553012A (zh) | 2020-08-18 |
Family
ID=72005993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010349998.1A Pending CN111553012A (zh) | 2020-04-28 | 2020-04-28 | 一种家装设计方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553012A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991540A (zh) * | 2021-03-31 | 2021-06-18 | 北京房江湖科技有限公司 | 房屋模型的区域分割方法和装置、存储介质、电子设备 |
CN113449356A (zh) * | 2021-09-01 | 2021-09-28 | 深圳须弥云图空间科技有限公司 | 室内自动布局方法、装置、计算机设备及计算机可读存储介质 |
CN113449372A (zh) * | 2021-07-20 | 2021-09-28 | 杭州群核信息技术有限公司 | 家装设计方法、装置、计算机可读存储介质和处理器 |
CN113538101A (zh) * | 2021-07-26 | 2021-10-22 | 杨浩松 | 一种基于人工智能的家装定制方法、系统及存储介质 |
CN113656873A (zh) * | 2021-08-17 | 2021-11-16 | 深圳须弥云图空间科技有限公司 | 室内效果图生成方法及装置、存储介质、电子设备 |
CN113742804A (zh) * | 2021-09-14 | 2021-12-03 | 深圳须弥云图空间科技有限公司 | 家具布局图生成方法、装置、设备及存储介质 |
CN113946900A (zh) * | 2021-12-21 | 2022-01-18 | 深圳小库科技有限公司 | 一种基于户型轮廓和分布特征快速推荐相似户型的方法 |
CN114818052A (zh) * | 2022-03-29 | 2022-07-29 | 百安居信息技术(上海)有限公司 | 一种卧室智能化家装布局方法、介质、装置及电子设备 |
CN115114696A (zh) * | 2021-03-23 | 2022-09-27 | 广东博智林机器人有限公司 | 物体排布设计方法、装置、电子设备及存储介质 |
CN116292375A (zh) * | 2023-05-16 | 2023-06-23 | 成都苏扶软件开发有限公司 | 基于人工智能的电器设备控制方法、系统、设备和介质 |
CN116502546A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市明源云科技有限公司 | 房屋户型设计方法、装置、电子设备及可读存储介质 |
CN117312527A (zh) * | 2023-10-31 | 2023-12-29 | 杭州群核信息技术有限公司 | 家居布局的生成方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182976A (zh) * | 2017-12-28 | 2018-06-19 | 西安交通大学 | 一种基于神经网络的临床医学信息提取方法 |
CN108351600A (zh) * | 2015-11-19 | 2018-07-31 | 科磊股份有限公司 | 从设计信息产生模拟图像 |
CN109413028A (zh) * | 2018-08-29 | 2019-03-01 | 集美大学 | 基于卷积神经网络算法的sql注入检测方法 |
CN110363853A (zh) * | 2019-07-15 | 2019-10-22 | 贝壳技术有限公司 | 家具摆放方案生成方法、装置以及设备、存储介质 |
CN110751721A (zh) * | 2019-12-24 | 2020-02-04 | 广东博智林机器人有限公司 | 家具布局图纸的生成方法和装置、计算机设备及存储介质 |
-
2020
- 2020-04-28 CN CN202010349998.1A patent/CN111553012A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108351600A (zh) * | 2015-11-19 | 2018-07-31 | 科磊股份有限公司 | 从设计信息产生模拟图像 |
CN108182976A (zh) * | 2017-12-28 | 2018-06-19 | 西安交通大学 | 一种基于神经网络的临床医学信息提取方法 |
CN109413028A (zh) * | 2018-08-29 | 2019-03-01 | 集美大学 | 基于卷积神经网络算法的sql注入检测方法 |
CN110363853A (zh) * | 2019-07-15 | 2019-10-22 | 贝壳技术有限公司 | 家具摆放方案生成方法、装置以及设备、存储介质 |
CN110751721A (zh) * | 2019-12-24 | 2020-02-04 | 广东博智林机器人有限公司 | 家具布局图纸的生成方法和装置、计算机设备及存储介质 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114696A (zh) * | 2021-03-23 | 2022-09-27 | 广东博智林机器人有限公司 | 物体排布设计方法、装置、电子设备及存储介质 |
CN112991540A (zh) * | 2021-03-31 | 2021-06-18 | 北京房江湖科技有限公司 | 房屋模型的区域分割方法和装置、存储介质、电子设备 |
CN113449372B (zh) * | 2021-07-20 | 2023-08-08 | 杭州群核信息技术有限公司 | 家装设计方法、装置、计算机可读存储介质和处理器 |
CN113449372A (zh) * | 2021-07-20 | 2021-09-28 | 杭州群核信息技术有限公司 | 家装设计方法、装置、计算机可读存储介质和处理器 |
CN113538101A (zh) * | 2021-07-26 | 2021-10-22 | 杨浩松 | 一种基于人工智能的家装定制方法、系统及存储介质 |
CN113656873A (zh) * | 2021-08-17 | 2021-11-16 | 深圳须弥云图空间科技有限公司 | 室内效果图生成方法及装置、存储介质、电子设备 |
CN113656873B (zh) * | 2021-08-17 | 2024-04-30 | 深圳须弥云图空间科技有限公司 | 室内效果图生成方法及装置、存储介质、电子设备 |
CN113449356A (zh) * | 2021-09-01 | 2021-09-28 | 深圳须弥云图空间科技有限公司 | 室内自动布局方法、装置、计算机设备及计算机可读存储介质 |
CN113742804A (zh) * | 2021-09-14 | 2021-12-03 | 深圳须弥云图空间科技有限公司 | 家具布局图生成方法、装置、设备及存储介质 |
CN113742804B (zh) * | 2021-09-14 | 2024-04-23 | 深圳须弥云图空间科技有限公司 | 家具布局图生成方法、装置、设备及存储介质 |
CN113946900A (zh) * | 2021-12-21 | 2022-01-18 | 深圳小库科技有限公司 | 一种基于户型轮廓和分布特征快速推荐相似户型的方法 |
CN113946900B (zh) * | 2021-12-21 | 2022-03-29 | 深圳小库科技有限公司 | 一种基于户型轮廓和分布特征快速推荐相似户型的方法 |
CN114818052A (zh) * | 2022-03-29 | 2022-07-29 | 百安居信息技术(上海)有限公司 | 一种卧室智能化家装布局方法、介质、装置及电子设备 |
CN116292375A (zh) * | 2023-05-16 | 2023-06-23 | 成都苏扶软件开发有限公司 | 基于人工智能的电器设备控制方法、系统、设备和介质 |
CN116292375B (zh) * | 2023-05-16 | 2024-03-22 | 俞加利 | 基于人工智能的电器设备控制方法、系统、设备和介质 |
CN116502546A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市明源云科技有限公司 | 房屋户型设计方法、装置、电子设备及可读存储介质 |
CN116502546B (zh) * | 2023-06-29 | 2023-10-10 | 深圳市明源云科技有限公司 | 房屋户型设计方法、装置、电子设备及可读存储介质 |
CN117312527A (zh) * | 2023-10-31 | 2023-12-29 | 杭州群核信息技术有限公司 | 家居布局的生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553012A (zh) | 一种家装设计方法、装置、电子设备及存储介质 | |
CN111651819A (zh) | 一种家装设计方法、装置、电子设备及存储介质 | |
US20220292269A1 (en) | Method and apparatus for acquiring pre-trained model | |
CN111326157B (zh) | 文本生成方法、装置、电子设备和计算机可读介质 | |
CN110781407B (zh) | 用户标签生成方法、装置及计算机可读存储介质 | |
CN109063174B (zh) | 查询答案的生成方法及装置、计算机存储介质、电子设备 | |
CN113239169B (zh) | 基于人工智能的回答生成方法、装置、设备及存储介质 | |
CN107590135A (zh) | 自动翻译方法、设备和系统 | |
CN113590858B (zh) | 目标对象的生成方法、装置、电子设备以及存储介质 | |
CN111930894B (zh) | 长文本匹配方法及装置、存储介质、电子设备 | |
CN108200483A (zh) | 动态多模态视频描述生成方法 | |
CN111680123B (zh) | 对话模型的训练方法、装置、计算机设备及存储介质 | |
CN111930915B (zh) | 会话信息处理方法、装置、计算机可读存储介质及设备 | |
CN112767917B (zh) | 语音识别方法、装置及存储介质 | |
CN116645668B (zh) | 图像生成方法、装置、设备以及存储介质 | |
US20230080230A1 (en) | Method for generating federated learning model | |
CN112596694B (zh) | 一种房源信息的处理方法和装置 | |
CN109829040B (zh) | 一种智能对话方法及装置 | |
CN114242113A (zh) | 语音检测方法、训练方法、装置和电子设备 | |
CN116737895A (zh) | 一种数据处理方法及相关设备 | |
CN110175355B (zh) | 一种基于机器学习的建筑匹配方法及装置 | |
CN115115846A (zh) | 户型布局的自动生成方法、装置、计算机设备及存储介质 | |
CN116962657A (zh) | 彩色视频生成方法、装置、电子设备及存储介质 | |
CN111680421A (zh) | 一种家装设计方法、装置、电子设备及存储介质 | |
CN117891919A (zh) | 模型训练方法及装置、问答方法及装置、电子设备和介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200818 |