CN111582358A

CN111582358A - 户型识别模型的训练方法及装置、户型判重的方法及装置

Info

Publication number: CN111582358A
Application number: CN202010367703.3A
Authority: CN
Inventors: 邓志杰; 齐放
Original assignee: Shanghai Tianji Network Service Co ltd
Current assignee: Shanghai Tianji Network Service Co ltd
Priority date: 2020-04-30
Filing date: 2020-04-30
Publication date: 2020-08-25

Abstract

本申请提供户型识别模型的训练方法及装置、户型判重的方法及装置，其中所述户型判重的方法包括：获取至少两张待判重户型图；将所述待判重户型图输入至户型识别模型中，获取所述户型识别模型输出的每张待判重户型图的预测值；基于每张所述待判重户型图的预测值，对至少两张所述待判重户型图进行判重，从而实现通过使用户型识别模型提取输入的待判重户型图的预测值，并基于待判重户型图的预测值对至少两张所述待判重户型图进行判重，代替了人工判重，提升效率。

Description

户型识别模型的训练方法及装置、户型判重的方法及装置

技术领域

本申请涉及计算机技术领域，特别涉及一种户型识别模型的训练方法及装置、户型判重的方法及装置、计算设备以及计算机可读存储介质。

背景技术

近些年来，随着神经网络技术的快速发展，计算机视觉应用于多种领域，例如将计算机视觉技术用于房产领域的户型图的识别应用。具体地，在房产领域，会出现对相同户型图的判定的需求，需要判断两个户型的户型图是否相同。

现有技术中，并没有一套成熟的户型图自动化比对的方法，大多数还在采用人工比对或者结合简单的图像检测方法来协助对户型图的整个轮廓结构进行解析，然后基于解析后的户型图的元素进行户型图的判重，处理低效，工作效率低下，且错误率高。

发明内容

有鉴于此，本申请实施例提供了一种户型识别模型的训练方法及装置、户型判重的方法及装置、计算设备和计算机可读存储介质，以解决现有技术中存在的技术缺陷。

本申请实施例提供了一种户型识别模型的训练方法，包括：

获取样本集，所述样本集包括样本户型图和每个所述样本户型图对应的样本特征标签；

将所述样本户型图输入至户型识别模型，得到每个样本户型图对应的预测值；

基于每个所述样本户型图对应的样本特征标签与其预测值，对所述户型识别模型进行训练，直至达到训练停止条件。

可选地，将所述样本户型图输入至户型识别模型，得到每个样本户型图对应的预测值，包括：

将所述样本户型图输入至户型识别模型，识别所述样本户型图中至少一个门单元，确定每个门单元在所述样本户型图中的预测位置信息。

可选地，确定每个所述门单元在所述样本户型图中的预测位置信息，包括：

确定每个所述门单元在所述样本户型图中的预测像素坐标。

可选地，基于每个所述样本户型图对应的样本特征标签与其预测值，对所述户型识别模型进行训练，直至达到训练停止条件，包括：

将每个所述样本户型图对应的样本特征标签与所述预测值进行对比，确定所述样本特征标签与所述预测值之间的损失值；

基于所述损失值，对所述户型识别模型进行训练，直至达到训练停止条件。

可选地，基于所述损失值，对所述户型识别模型进行训练，直至达到训练停止条件，包括：

在所述损失值大于等于预设阈值的情况下，继续对所述户型识别模型进行训练；在所述损失值小于预设阈值的情况下，停止训练。

本申请实施例提供了一种户型判重的方法，包括：

获取至少两张待判重户型图；

将所述待判重户型图输入至户型识别模型中，获取所述户型识别模型输出的每张待判重户型图的预测值；

基于每张所述待判重户型图的预测值，对至少两张所述待判重户型图进行判重。

可选地，基于每张所述待判重户型图的预测值，对至少两张所述待判重户型图进行判重，包括：

基于每张所述待判重户型图中至少一个门单元的位置信息，对至少两张所述待判重户型图进行判重。

可选地，基于每张所述待判重户型图中至少一个门单元的位置信息，对至少两张所述待判重户型图进行判重，包括：

基于每张所述待判重户型图中至少一个门单元的位置信息，计算每两张所述待判重户型图之间的相似度；

基于所述相似度，对每两张所述待判重户型图进行判重。

可选地，基于每张所述待判重户型图中至少一个门单元的位置信息，计算每两张所述待判重户型图之间的相似度，包括：

确定每张所述待判重户型图中的至少一个门单元的像素坐标，生成初始数组；

将每个门单元的像素坐标中的中心坐标作为所述门单元的坐标位置，其中，所述中心坐标包括横坐标和纵坐标；

将初始数组中所述门单元的像素坐标按照所述门单元的中心坐标的横坐标的大小进行排序，得到所述待判重户型图对应的目标数组；

基于每两张待判重户型图对应的目标数组，计算每两张待判重户型图之间的相似度。

可选地，基于每两张待判重户型图对应的目标数组，计算每两张待判重户型图之间的相似度，包括：

在每两张中的任一所述待判重户型图对应的目标数组的长度等于0的情况下，确定所述两张待判重户型图之间的相似度为0。

S101：比较两张所述待判重户型图分别对应的目标数组的长度；

S102：判断两张所述待判重户型图分别对应的目标数组的长度是否相等，若是，执行S103，若否，执行S104；

S103：基于所述两张待判重户型图对应的目标数组，得到两张所述待判重户型图的相似度；

S104：判断两张所述待判重户型图分别对应的目标数组的长度是否均低于第一长度阈值、差值是否超过第二长度阈值，若是，执行S105，若否，执行S106；

S105：确定所述两张待判重户型图之间的相似度为0；

S106、对两张所述待判重户型图分别对应的目标数组进行循环删减，保证两个所述目标数组的长度相同，并计算每次删减后得到的更新后的目标数组得到对应的相似度，基于每次计算得到的相似度确定两张所述待判重户型图的相似度。

可选地，基于所述两张待判重户型图对应的目标数组，得到两张所述待判重户型图的相似度，包括：

S201、基于两张所述待判重户型图分别对应的目标数组，计算两张所述待判重户型图的初始相似度；

S202、判断初始相似度是否大于相似度阈值，若是，执行步骤S203，若否，执行步骤S204；

S203、将所述初始相似度确定为两张所述待判重户型图的相似度；

S204、对两张所述待判重户型图分别对应的目标数组进行循环删减，保证两个所述目标数组的长度相同，并计算每次删减后得到的更新后的目标数组得到对应的相似度，基于每次计算得到的相似度确定两张所述待判重户型图的相似度。

可选地，对两张所述待判重户型图分别对应的目标数组进行循环删减，保证两个所述目标数组的长度相同，并计算每次删减后得到的更新后的目标数组得到对应的相似度，基于每次计算得到的相似度确定两张所述待判重户型图的相似度，包括：

S301、基于两张所述待判重户型图分别对应的目标数组的长度，分别删减对应比例的像素坐标，以使两个所述目标数组的长度相同，生成更新后的目标数组；

S302、基于两张所述待判重户型图分别对应的更新后的目标数组，得到两张所述待判重户型图的相似度；

S303、判断两张所述待判重户型图是否满足删减次数，若是，执行步骤S304，若否，继续执行步骤S301；

S304、将更新过程中两张所述待判重户型图的相似度的最大值作为两张所述待判重户型图的相似度。

可选地，计算两张所述待判重户型图的相似度，包括：

基于两张所述待判重户型图的目标数组中的像素坐标，计算对应的像素坐标之间的欧氏距离值，并基于所述欧氏距离值生成新的距离数组；

统计所述距离数组中的欧氏距离值的区间分布；

基于所述距离数组的长度和所述欧氏距离值的区间分布，得到两张所述待判重户型图的相似度。

可选地，基于所述相似度，对每两张所述待判重户型图进行判重，包括：

判断所述相似度是否大于相似度阈值，

若是，确定所述两张待判重户型图为重复户型图；

若否，确定所述两张待判重户型图为非重复户型图。

本申请实施例提供了一种户型识别模型的训练装置，包括：

第一获取模块，被配置为获取样本集，所述样本集包括样本户型图和每个所述样本户型图对应的样本特征标签；

处理模块，被配置为将所述样本户型图输入至户型识别模型，得到每个样本户型图对应的预测值；

迭代模块，被配置为基于每个所述样本户型图对应的样本特征标签与其预测值，对所述户型识别模型进行训练，直至达到训练停止条件。

本申请实施例提供了一种户型判重的装置，包括：

第二获取模块，被配置为获取至少两张待判重户型图；

特征信息获取模块，被配置为将所述待判重户型图输入至户型识别模型中，获取所述户型识别模型输出的每张待判重户型图的预测值；

判重模块，被配置为基于每张所述待判重户型图的预测值，对至少两张所述待判重户型图进行判重。

本申请实施例提供了一种计算设备，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指令，所述处理器执行所述指令时如上所述的户型识别模型的训练方法或户型判重的方法的步骤。

本申请实施例提供了一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现如上所述的户型识别模型的训练方法或户型判重的方法的步骤。

本申请提供的户型识别模型的训练方法及装置，通过获取包括样本户型图和每个样本户型图对应的样本特征标签对户型识别模型进行训练，从而可以得到识别户型的深度学习模型，以用于户型判重的任务中，代替人工筛选，能极大的提升作业效率。

本申请提供的户型判重的方法及装置，通过使用户型识别模型提取输入的待判重户型图的预测值，并基于待判重户型图的预测值对至少两张待判重户型图进行判重，代替了人工判重，提升效率。

其次，户型识别模型没有过多的识别待判重户型图的特征信息，而是仅仅识别门单元的位置信息，降低了图像识别的难度，并使得户型识别模型的准确性得以保证。

附图说明

图1是本申请实施例的计算设备的结构示意图；

图2是本申请第一实施例户型识别模型的训练方法的流程示意图；

图3是本申请第二实施例户型判重的方法的流程示意图；

图4是本申请第二实施例计算每两张所述待判重户型图之间的相似度的流程示意图；

图5是本申请第三实施例户型判重的方法的流程示意图；

图6是本申请第三实施例中计算每两张待判重户型图之间的相似度的流程图；

图7是本申请第四实施例的户型识别模型的训练装置的结构示意图；

图8是本申请第五实施例的户型判重的装置的结构示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

首先，对本发明一个或多个实施例涉及的名词术语进行解释。

Mask-Rcnn模型：为图像识别领域内一种图像检测、分割元素的网络模型，该模型可以识别图像中的人、动物、气球等等其它物体，并把整个物体的全部轮廓给勾勒检测出来。

resnet网络：一种深层残差的卷积神经网络结构，其主要作用为提取图像中的元素信息。

epoch：轮数，每个epoch为使用训练集中的全部样本训练一次，通俗的讲epoch的值就是整个数据集被轮几次。

对于现有技术中结合图像检测来协助户型判重的方法，一般是检测户型图的边缘检测、矢量解析、三维图形生成等方面的信息，并基于上述信息对户型图进行判重。上述判重方法识别的户型元素较多，识别结果的准确程度难以达到户型图判重的比较要求。

所以，基于克服现有技术缺陷的目的，在本申请中，提供了一种户型识别模型的训练方法及装置、户型判重的方法及装置、计算设备和计算机可读存储介质，在下面的实施例中逐一进行详细说明。

图1是示出了根据本说明书一实施例的计算设备100的结构框图。该计算设备100的部件包括但不限于存储器110和处理器120。处理器120与存储器110通过总线130相连接，数据库150用于保存数据。

计算设备100还包括接入设备140，接入设备140使得计算设备100能够经由一个或多个网络160通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备140可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC))中的一个或多个，诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口，等等。

在本说明书的一个实施例中，计算设备100的上述部件以及图1中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图1所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。

计算设备100可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备100还可以是移动式或静止式的服务器。

其中，处理器120可以执行图2所示方法中的步骤。图2是示出了根据本申请第一实施例的户型识别模型的训练方法的示意性流程图，包括步骤202至步骤206。

202、获取样本集，所述样本集包括样本户型图和每个所述样本户型图对应的样本特征标签。

其中，样本户型图的来源方式有多种，例如从网络中获取，从云端获取，或者从公开的数据集中获取。

在每个来源获取的数据集中，随机获取300～800条样本户型图，然后将所有样本户型图的尺寸缩放至750px*1000px左右，对于数据集较少的来源采用数据增强的方法。然后随机将70％左右的样本户型图划分为训练集和验证集，剩下的样本户型图作为测试集，通过标记工具对所有筛选出来的户型图的门单元的位置信息进行标记，分别得到对应的样本特征标签，以得到完整的训练集和测试集。

204、将所述样本户型图输入至户型识别模型，得到每个样本户型图对应的预测值。

具体地，样本户型图的特征包括多种，本实施例以样本户型图的门单元为例进行示意性的说明。步骤204包括：将所述样本户型图输入至户型识别模型，识别所述样本户型图中至少一个门单元，确定每个门单元在所述样本户型图中的预测位置信息。

具体地，确定每个所述门单元在所述样本户型图中的预测位置信息，包括：确定每个所述门单元在所述样本户型图中的预测像素坐标。

其中，预测像素坐标包括横坐标和纵坐标，可以表示门单元在样本户型图的具体位置。

需要说明的是，对于每个样本户型图，可以有一个门单元，也可以有多个门单元。基于样本户型图的门单元，从而精简对户型图的识别方法，并且对后续的户型图判重任务来说有较好的针对性。

其中，门单元的数量信息表征样本户型图的门单元有多少个，例如可以为1个、5个、6个等。

门单元的位置信息表征样本户型图中的每个门单元的具体位置，具体包括每个门单元在样本户型图中的像素坐标。

206、基于每个所述样本户型图对应的样本特征标签与其预测值，对所述户型识别模型进行训练，直至达到训练停止条件。

具体地，步骤206包括下述步骤S2062～S2064：

S2062、将每个所述样本户型图对应的样本特征标签与所述预测值进行对比，确定所述样本特征标签与所述预测值之间的损失值。

S2064、基于所述损失值，对所述户型识别模型进行训练，直至达到训练停止条件。

具体地，确定户型识别模型的损失函数，根据损失函数确定样本特征标签与预测值之间的损失值。

具体地，在训练过程中，基于损失值对户型识别模型进行训练，直至达到训练停止条件，包括：在所述损失值大于等于预设阈值的情况下，继续对所述户型识别模型进行训练；在所述损失值小于预设阈值的情况下，停止训练。

在训练完毕后，还可以采用测试集对户型识别模型进行测试，以检测户型识别模型的效果。

本实施例中，以Mask-Rcnn卷积神经网络模型为例：

1)首先确定建立以resnet101的深度残差网络为主体的Mask-Rcnn卷积神经网络模型，其中resnet网络用来提取户型图的特征。

其中，Mask-Rcnn模型为图像识别领域内一种图像检测、分割元素的网络模型，该模型可以识别图像中的人、动物、气球等等其它物体，并把整个物体的全部轮廓给勾勒检测出来。

对于Mask-Rcnn模型，其本质是完成两个任务：一是图像识别任务，二是定位任务。对于图像识别任务，输入的是户型图图像，输出的为图像类别；对于定位任务，输入的是户型图图像，输出的为物体轮廓方框在图像中的位置(x,y,w,h)。

2)使用python3.6加tensorflow和keras的神经网络框架搭建待训练的户型识别模型，模型使用COCO数据集中的户型检测的模型作为预训练的初始权重，训练过程中调节参数至最佳训练状态，一共训练30个epoch，在训练达到20多个epoch时在测试集上的误差达到最小，即可获得最佳的户型识别模型。在安装英伟达24g的单张Titan X显卡的机器上耗时一天，可完成户型识别模型的训练。

3)将训练完毕的户型识别模型保存于指定的位置。

本实施例提供的户型识别模型的训练方法，通过获取包括样本户型图和每个样本户型图对应的样本特征标签对户型识别模型进行训练，从而可以得到识别户型的深度学习模型，以用于户型判重的任务中，代替人工筛选，能极大的提升作业效率。

本实施例还公开了一种户型判重的方法，参见图3，包括下述步骤302～306：

302、获取至少两张待判重户型图。

具体地，待判重户型图的获取方式可以为多种，例如可以从网络端下载，或者可以从数据库里读取全部需要比较的户型图的链接，并基于链接获取对应的待判重户型图，然后对获取的户型图像作缩放处理，以助于后续步骤的处理。

304、将所述待判重户型图输入至户型识别模型中，获取户型识别模型输出的每张待判重户型图的预测值。

具体地，步骤304包括：

搭建待判重户型图识别的预测顺序，用训练好的户型识别模型预测全部户型图，记录每张户型图的预测结果为每张待判重户型图中至少一个门单元的位置信息。其中，位置信息包括每个门的像素坐标。

在使用多线程的情况下，预测两万张图片最快速度的情况下耗时一天。以10px内的误差范围作为准确性的判定条件下，全部结果预测的准确性达到90％以上。

将全部预测结果和对应的户型图ID写入文件，将属于相同小区的户型图划分到相同的集合中，以备后续步骤中使用。

306、基于每张待判重户型图的预测值，对至少两张待判重户型图进行判重。

具体地，本实施例中，步骤306包括：基于每张所述待判重户型图中至少一个门单元的位置信息，对至少两张所述待判重户型图进行判重。

具体地，基于每张所述待判重户型图中至少一个门单元的位置信息，对至少两张所述待判重户型图进行判重，包括：基于每张所述待判重户型图中至少一个门单元的位置信息，计算每两张所述待判重户型图之间的相似度；然后基于相似度，对每两张所述待判重户型图进行判重。

具体地，基于每张所述待判重户型图中至少一个门单元的位置信息，计算每两张所述待判重户型图之间的相似度，如图4所示，包括下述步骤402～408：

402、确定每张待判重户型图中的至少一个门单元的像素坐标，生成初始数组。

需要说明的是，由于门单元在户型图中占据一定的面积比例，每个门单元的像素坐标有多个。例如一张待判重户型图中有3个门单元A1、A2和A3，其中门单元A1的像素坐标包括[x11～x15,y11～y15]，门单元A2的像素坐标包括[x21～x25,y21～y25]，门单元A3的像素坐标包括[x31～x35,y31～y35]，则生成的初始数组包括[x11～x15,y11～y15,x21～x25,y21～y25,x31～x35,y31～y35]。

404、将每个门单元的像素坐标中的中心坐标作为所述门单元的坐标位置，其中，所述中心坐标包括横坐标和纵坐标。

其中，门单元A1的像素坐标[x11～x15,y11～y15]中的中心坐标[x13,y13]作为门单元A1的坐标位置，门单元A2的像素坐标[x21～x25,y21～y25]中的中心坐标[x23,y23]作为门单元A2的坐标位置，门单元A3的像素坐标[x31～x35,y31～y35]中的中心坐标[x33,y33]作为门单元A3的坐标位置。

406、将初始数组中所述门单元的像素坐标按照所述门单元的中心坐标的横坐标的大小进行排序，得到所述待判重户型图对应的目标数组。

仍以上述例子为例，若横坐标x33＞x23＞x13，则将初始数组中门单元的像素坐标按照横坐标大小进行排序，得到所述待判重户型图对应的目标数组[x31～x35,y31～y35,x21～x25,y21～y25,x11～x15,y11～y15]。

408、基于每两张待判重户型图对应的目标数组，计算每两张待判重户型图之间的相似度。

具体地，计算两张待判重户型图的相似度，包括下述步骤S4082～S4086：

S4082、基于两张所述待判重户型图的目标数组中的像素坐标，计算对应的像素坐标之间的欧氏距离值，并基于所述欧氏距离值生成新的距离数组。

其中，目标数组中的每个像素坐标的元素包括横坐标和纵坐标，例如(0.235,0.530)(1,2)(3.4567,6.7890)等等。

S4084、统计所述距离数组中的欧氏距离值的区间分布。

具体地，步骤S4084对距离数组中所有欧氏距离值进行判断，分别统计欧氏距离值中绝对值小于10、小于20、小于50、小于80、小于100、小于150的个数。

S4086、基于所述距离数组的长度和所述欧氏距离值的区间分布，得到两张所述待判重户型图的相似度。

步骤S4086中，可以预先定义判定规则：当目标数组的长度越长，且欧氏距离值的个数在较小区间内越高，其判别的相似度的值则越高。在此规则下，分别针对于不同的情形，得到不同的分值。

本申请提供的户型判重的方法，通过使用户型识别模型提取输入的待判重户型图的预测值，并基于待判重户型图的预测值对至少两张所述待判重户型图进行判重，代替了人工判重，提升效率。

本实施例还公开了一种户型判重的方法，参见图5，包括步骤502～514：

502、获取至少两张待判重户型图。

504、将所述待判重户型图输入至户型识别模型中，获取所述户型识别模型输出的每张待判重户型图中至少一个门单元的位置信息。

506、确定每张待判重户型图中的至少一个门单元的像素坐标，生成初始数组。

508、将每个门单元的像素坐标中的中心坐标作为所述门单元的坐标位置，其中，所述中心坐标包括横坐标和纵坐标。

510、将初始数组中所述门单元的像素坐标按照所述门单元的中心坐标的横坐标的大小进行排序，得到所述待判重户型图对应的目标数组。

512、基于每两张待判重户型图对应的目标数组，计算每两张待判重户型图之间的相似度。

具体地，计算两张待判重户型图的相似度，有多种情况：

第一种情况：在每两张中的任一所述待判重户型图对应的目标数组的长度等于0的情况下，确定所述两张待判重户型图之间的相似度为0。

第二种情况：在每两张待判重户型图对应的目标数组的长度均不为0的情况，参见图6，所述方法包括下述步骤602～616：

602：比较两张所述待判重户型图分别对应的目标数组的长度。

604：判断两张所述待判重户型图分别对应的目标数组的长度是否相等，若是，执行606，若否，执行614。

606、基于两张所述待判重户型图分别对应的目标数组，计算两张所述待判重户型图的初始相似度。

本实施例中，若两张待判重户型图分别对应的目标数组的长度相等，则可以直接计算二者的初始相似度。一般地，相似度的分值范围位于0～10范围内。

608、判断初始相似度是否大于相似度阈值，若是，执行步骤610，若否，执行步骤612。

在一个具体实施方式中，相似度阈值设置为7，若初始相似度为8，则两张待判重户型图的相似度确定为8，两张户型图为重复户型，执行步骤610；若两张待判重户型图的相似度确定为5，两张户型图为非重复户型。

进一步地，为了防止误识别，本实施例还进一步在判断初始相似度小于等于相似度阈值的情况下执行步骤612。

610、将所述初始相似度确定为两张所述待判重户型图的相似度。

612、对两张所述待判重户型图分别对应的目标数组进行循环删减，保证两个所述目标数组的长度相同，并计算每次删减后得到的更新后的目标数组得到对应的相似度，基于每次计算得到的相似度确定两张所述待判重户型图的相似度。

采用步骤612的目的在于：同一户型的户型图在相同位置的门可能会有遗漏标记的情况，同时图像识别的结果也可能会存在误判，从而步骤612的方法可以对结果计算偏差的情况做进一步的判断处理。

具体地，步骤612包括下述步骤S622～S628：

S622、基于两张所述待判重户型图分别对应的目标数组的长度，分别删减对应比例的像素坐标，以使两个所述目标数组的长度相同，生成更新后的目标数组。

S624、基于两张所述待判重户型图分别对应的更新后的目标数组，得到两张所述待判重户型图的相似度。

S626、判断两张所述待判重户型图是否满足删减次数，若是，执行步骤S628，若否，继续执行步骤S622。

S628、将更新过程中两张所述待判重户型图的相似度的最大值作为两张所述待判重户型图的相似度。

以一个具体实例为例，基于两张待判重户型图对应的目标数组的长度分别为9和6。

第一次：第一个待判重户型图的目标数组循环删减3个像素坐标，更新后的目标数组的长度分别为6和6，然后基于更新后的目标数组循环计算两张待判重户型图的相似度，其结果为所有的计算结果的最大值4.3。

第二次：第一个待判重户型图的目标数组再次循环删减1个像素坐标，第二个待判重户型图的目标数组删减1个像素坐标，更新后的目标数组的长度分别为5和5，然后基于更新后的目标数组计算两张待判重户型图的相似度5.8。

第三次：第一个待判重户型图的目标数组再次删减1个像素坐标，第二个待判重户型图的目标数组再次删减1个像素坐标，更新后的目标数组的长度分别为4和4，然后基于更新后的目标数组计算两张待判重户型图的相似度6.5。结合数组原先长度进行判断删减次数，不再进行删减操作。

需要注意的是，在具体的计算过程中，对于有删减像素坐标行为的相似度的计算，会相应地减去与删减数量相对应的分数。

比较上述三次得到的相似度，最大值为6.5，则将6.5作为所述待判重户型图的相似度。由于6.5小于相似度阈值7，则两张待判重户型图为非重复户型。

614：判断两张所述待判重户型图分别对应的目标数组的长度是否均低于第一长度阈值、差值是否超过第二长度阈值，若是，执行616，若否，执行612。

其中，第一长度阈值和第二长度阈值可以根据实际需求而设置，例如设置第一长度阈值为8，第二长度阈值设置为4。

616：确定所述两张待判重户型图之间的相似度为0。

对于两张所述待判重户型图分别对应的目标数组的长度均低于8、差值大于4的情况，可以直接认为两张所述待判重户型图的相似度为0，为非重复户型。

本实施例中，对于待判重户型图的相似度的具体计算过程，参见前述实施例，本实施例便不再赘述。

514、基于所述相似度，对每两张所述待判重户型图进行判重。

具体地，步骤514包括：判断所述相似度是否大于相似度阈值，若是，确定所述两张待判重户型图为重复户型图；若否，确定所述两张待判重户型图为非重复户型图。

再次，本实施例通过计算欧氏距离值来确定待判重户型图的相似度，可以更加准确客观地确定相似度值。

本实施例公开了一种户型识别模型的训练装置，参见图7，包括：

第一获取模块702，被配置为获取样本集，所述样本集包括样本户型图和每个所述样本户型图对应的样本特征标签；

处理模块704，被配置为将所述样本户型图输入至户型识别模型，得到每个样本户型图对应的预测值；

迭代模块706，被配置为基于每个所述样本户型图对应的样本特征标签与其预测值，对所述户型识别模型进行训练，直至达到训练停止条件。

可选地，处理模块704具体被配置为：将所述样本户型图输入至户型识别模型，识别所述样本户型图中至少一个门单元，确定每个门单元在所述样本户型图中的预测位置信息。

可选地，处理模块704，具体被配置为：确定每个所述门单元在所述样本户型图中的预测像素坐标。

可选地，迭代模块706，具体被配置为：

可选地，迭代模块706，具体被配置为：在所述损失值大于等于预设阈值的情况下，继续对所述户型识别模型进行训练；在所述损失值小于预设阈值的情况下，停止训练。

本实施例提供的户型识别模型的训练装置，通过获取包括样本户型图和每个样本户型图对应的样本特征标签对户型识别模型进行训练，从而可以得到识别户型的深度学习模型，以用于户型判重的任务中，代替人工筛选，能极大的提升作业效率。

上述为本实施例的一种户型识别模型的训练装置的示意性方案。需要说明的是，该户型识别模型的训练装置的技术方案与上述户型识别模型的训练方法的技术方案属于同一构思，户型识别模型的训练装置的技术方案未详细描述的细节内容，均可以参见上述户型识别模型的训练方法的技术方案的描述。

本实施例公开了一种户型判重的装置，参见图8，包括：

第二获取模块802，被配置为获取至少两张待判重户型图；

特征信息获取模块804，被配置为将所述待判重户型图输入至户型识别模型中，获取所述户型识别模型输出的每张待判重户型图的预测值；

判重模块806，被配置为基于每张所述待判重户型图的预测值，对至少两张所述待判重户型图进行判重。

可选地，判重模块806，具体被配置为：基于每张所述待判重户型图中至少一个门单元的位置信息，对至少两张所述待判重户型图进行判重。

可选地，判重模块806，具体被配置为：基于每张所述待判重户型图中至少一个门单元的位置信息，计算每两张所述待判重户型图之间的相似度；

基于所述相似度，对每两张所述待判重户型图进行判重。

可选地，判重模块806，具体被配置为：

可选地，判重模块806，具体被配置为：在每两张中的任一所述待判重户型图对应的目标数组的长度等于0的情况下，确定所述两张待判重户型图之间的相似度为0。

可选地，判重模块806包括：

比较单元，被配置为比较两张待判重户型图分别对应的目标数组的长度；

第一判断单元，被配置为判断两张所述待判重户型图分别对应的目标数组的长度是否相等，若是，执行相似度计算单元，若否，执行第二判断单元；

相似度计算单元，被配置为基于所述两张待判重户型图对应的目标数组，得到两张所述待判重户型图的相似度；

第二判断单元，被配置为判断两张所述待判重户型图分别对应的目标数组的长度是否均低于第一长度阈值、差值是否超过第二长度阈值，若是，执行第一确定单元，若否，执行循环单元；

第一确定单元，被配置为确定所述两张待判重户型图之间的相似度为0；

第一循环单元，被配置为对两张所述待判重户型图分别对应的目标数组进行循环删减，保证两个所述目标数组的长度相同，并计算每次删减后得到的更新后的目标数组得到对应的相似度，基于每次计算得到的相似度确定两张所述待判重户型图的相似度。

可选地，相似度计算单元，具体包括：

初始相似度计算单元，被配置为基于两张所述待判重户型图分别对应的目标数组，计算两张所述待判重户型图的初始相似度；

第三判断单元，被配置为判断初始相似度是否大于相似度阈值，若是，执行第二确定单元，若否，执行第二循环单元；

第二确定单元，被配置为将初始相似度确定为两张待判重户型图的相似度；

第二循环单元，被配置为对两张所述待判重户型图分别对应的目标数组进行循环删减，保证两个所述目标数组的长度相同，并计算每次删减后得到的更新后的目标数组得到对应的相似度，基于每次计算得到的相似度确定两张所述待判重户型图的相似度。

可选地，第一循环单元或第二循环单元，具体包括：

更新单元，被配置为基于两张所述待判重户型图分别对应的目标数组的长度，分别删减对应比例的像素坐标，以使两个所述目标数组的长度相同，生成更新后的目标数组；

相似度更新计算单元，被配置为基于两张所述待判重户型图分别对应的更新后的目标数组，得到两张所述待判重户型图的相似度；

第四判断单元，被配置为判断两张所述待判重户型图是否满足删减次数，若是，执行相似度确定单元，若否，继续执行更新单元；

相似度确定单元，被配置为将更新过程中两张所述待判重户型图的相似度的最大值作为两张所述待判重户型图的相似度。

可选地，相似度计算单元，具体被配置为：

统计所述距离数组中的欧氏距离值的区间分布；

可选地，判重模块806，具体被配置为：判断所述相似度是否大于相似度阈值，若是，确定所述两张待判重户型图为重复户型图，若否，确定所述两张待判重户型图为非重复户型图。

本实施例提供的户型判重的装置，通过使用户型识别模型提取输入的待判重户型图的预测值，并基于待判重户型图的预测值对至少两张待判重户型图进行判重，代替了人工判重，提升效率。

上述为本实施例的一种户型判重的装置的示意性方案。需要说明的是，该户型判重的装置的技术方案与上述户型判重方法的技术方案属于同一构思，户型判重的装置的技术方案未详细描述的细节内容，均可以参见上述户型判重方法的技术方案的描述。

本申请一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现如前所述户型识别模型的训练方法或户型判重方法的步骤。

上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述户型识别模型的训练方法或户型判重方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述户型识别模型的训练方法或户型判重方法的技术方案的描述。

所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上公开的本申请优选实施例只是用于帮助阐述本申请。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本申请的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本申请。本申请仅受权利要求书及其全部范围和等效物的限制。

Claims

1.一种户型识别模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的训练方法，其特征在于，将所述样本户型图输入至户型识别模型，得到每个样本户型图对应的预测值，包括：

3.根据权利要求2所述的训练方法，其特征在于，确定每个所述门单元在所述样本户型图中的预测位置信息，包括：

确定每个所述门单元在所述样本户型图中的预测像素坐标。

4.根据权利要求1所述的训练方法，其特征在于，基于每个所述样本户型图对应的样本特征标签与其预测值，对所述户型识别模型进行训练，直至达到训练停止条件，包括：

5.根据权利要求4所述的训练方法，其特征在于，基于所述损失值，对所述户型识别模型进行训练，直至达到训练停止条件，包括：

在所述损失值大于等于预设阈值的情况下，继续对所述户型识别模型进行训练；

在所述损失值小于预设阈值的情况下，停止训练。

6.一种户型判重的方法，其特征在于，包括：

获取至少两张待判重户型图；

将所述待判重户型图输入至权利要求1至5任意一项所述的户型识别模型中，获取所述户型识别模型输出的每张待判重户型图的预测值；

7.根据权利要求6所述的方法，其特征在于，基于每张所述待判重户型图的预测值，对至少两张所述待判重户型图进行判重，包括：

8.根据权利要求7所述的方法，其特征在于，基于每张所述待判重户型图中至少一个门单元的位置信息，对至少两张所述待判重户型图进行判重，包括：

基于所述相似度，对每两张所述待判重户型图进行判重。

9.根据权利要求8所述的方法，其特征在于，基于每张所述待判重户型图中至少一个门单元的位置信息，计算每两张所述待判重户型图之间的相似度，包括：

10.根据权利要求9所述的方法，其特征在于，基于每两张待判重户型图对应的目标数组，计算每两张待判重户型图之间的相似度，包括：

11.根据权利要求9所述的方法，其特征在于，基于每两张待判重户型图对应的目标数组，计算每两张待判重户型图之间的相似度，包括：

S105：确定所述两张待判重户型图之间的相似度为0；

12.根据权利要求11所述的方法，其特征在于，基于所述两张待判重户型图对应的目标数组，得到两张所述待判重户型图的相似度，包括：

13.根据权利要求11或12所述的方法，其特征在于，对两张所述待判重户型图分别对应的目标数组进行循环删减，保证两个所述目标数组的长度相同，并计算每次删减后得到的更新后的目标数组得到对应的相似度，基于每次计算得到的相似度确定两张所述待判重户型图的相似度，包括：

14.根据权利要求13所述的方法，其特征在于，计算两张所述待判重户型图的相似度，包括：

统计所述距离数组中的欧氏距离值的区间分布；

15.根据权利要求14所述的方法，其特征在于，基于所述相似度，对每两张所述待判重户型图进行判重，包括：

判断所述相似度是否大于相似度阈值；

若是，确定所述两张待判重户型图为重复户型图；

若否，确定所述两张待判重户型图为非重复户型图。

16.一种户型识别模型的训练装置，其特征在于，包括：

17.一种户型判重的装置，其特征在于，包括：

第二获取模块，被配置为获取至少两张待判重户型图；

特征信息获取模块，被配置为将所述待判重户型图输入至权利要求1至5任意一项所述的户型识别模型中，获取所述户型识别模型输出的每张待判重户型图的预测值；

18.一种计算设备，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指令，其特征在于，所述处理器执行所述指令时实现权利要求1-5或权利要求6-15任意一项所述方法的步骤。

19.一种计算机可读存储介质，其存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1-5或权利要求6-15任意一项所述方法的步骤。