CN111832437A - 建筑图纸识别方法、电子设备及相关产品 - Google Patents
建筑图纸识别方法、电子设备及相关产品 Download PDFInfo
- Publication number
- CN111832437A CN111832437A CN202010591069.1A CN202010591069A CN111832437A CN 111832437 A CN111832437 A CN 111832437A CN 202010591069 A CN202010591069 A CN 202010591069A CN 111832437 A CN111832437 A CN 111832437A
- Authority
- CN
- China
- Prior art keywords
- target
- configuration parameters
- neural network
- network model
- preset 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 93
- 238000010276 construction Methods 0.000 claims abstract description 56
- 230000007704 transition Effects 0.000 claims description 36
- 238000013507 mapping Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 description 17
- 238000013441 quality evaluation Methods 0.000 description 14
- 238000011176 pooling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种建筑图纸识别方法、电子设备及相关产品,应用于电子设备,所述方法包括:获取建筑图纸对应的目标图像;确定预设神经网络模型的目标配置参数,所述预设神经网络模型基于DenseNet网络实现;依据所述目标配置参数和所述预设神经网络模型,对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集。采用本申请实施例能够提升建筑图纸中的构件识别效率。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种建筑图纸识别方法、电子设备及相关产品。
背景技术
建筑信息模型(Building Information Modeling)是建筑学、工程学及土木工程的新工具。建筑信息模型或建筑资讯模型一词由Autodesk所创的。它是来形容那些以三维图形为主、物件导向、建筑学有关的电脑辅助设计。当初这个概念是由Jerry Laiserin把Autodesk、奔特力系统软件公司、Graphisoft所提供的技术向公众推广。目前来看,BIM模型能够为建筑图纸实现建模,但是,往往只能通过人工方式识别建筑图纸中的构件,识别效率较低,如何提升建筑图纸中的构件识别效率的问题亟待解决。
发明内容
本申请实施例提供了一种建筑图纸识别方法、电子设备及相关产品,能够提升建筑图纸中的构件识别效率。
第一方面,本申请实施例提供一种建筑图纸识别方法,应用于电子设备,所述方法包括:
获取建筑图纸对应的目标图像;
确定预设神经网络模型的目标配置参数,所述预设神经网络模型基于DenseNet网络实现;
依据所述目标配置参数和所述预设神经网络模型,对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集。
第二方面,本申请实施例提供一种建筑图纸识别装置,应用于电子设备,所述装置包括:获取单元、确定单元和运算单元,其中,
所述获取单元,用于获取建筑图纸对应的目标图像;
所述确定单元,用于确定预设神经网络模型的目标配置参数,所述预设神经网络模型基于DenseNet网络实现;
所述运算单元,用于依据所述目标配置参数和所述预设神经网络模型,对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集。
第三方面,本申请实施例提供了一种电子设备,包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行本申请实施例第一方面中的步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本申请实施例,具备如下有益效果:
可以看出,本申请实施例中所描述的建筑图纸识别方法、电子设备及相关产品,应用于电子设备,获取建筑图纸对应的目标图像,确定预设神经网络模型的目标配置参数,预设神经网络模型基于DenseNet网络实现,依据目标配置参数和预设神经网络模型,对目标图像进行运算,得到建筑图纸中的目标构件信息集,如此,可以针对建筑图纸,配置相应的神经网络模型的配置参数,依据该配置参数以及该神经网络模型对建筑图纸实现构件识别,有助于提升建筑图纸中的构件识别效率。
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1A是本申请实施例提供的一种建筑图纸识别方法的流程示意图;
图1B是本申请实施例提供的一种建筑图纸识别方法的局部结构演示示意图;
图2是本申请实施例提供的另一种建筑图纸识别方法的流程示意图;
图3是本申请实施例提供的一种电子设备的结构示意图;
图4是本申请实施例提供的一种建筑图纸识别装置的功能单元组成框图。
具体实施方式
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,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他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
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作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例所描述电子设备可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、掌上电脑、笔记本电脑、视频矩阵、监控平台、移动互联网设备(MID,Mobile Internet Devices)或穿戴式设备等,上述仅是举例,而非穷举,包含但不限于上述装置,当然,上述电子设备还可以为服务器,例如,云服务器。
下面对本申请实施例进行详细介绍。
图1A是本申请实施例提供的一种建筑图纸识别方法的流程示意图,如图所示,本建筑图纸识别方法包括:
101、获取建筑图纸对应的目标图像。
其中,本申请实施例中,目标图像可以为纸件的建筑图纸拍照得到的图像,或者为电子档的建筑图纸对应的目标图像,例如,BIM模型对应的目标图像。目标图像可以为建筑图纸的部分图像或者全部图像,例如,建筑图纸某一层的图像。
具体实现中,本申请实施例中,BIM模型可以为建筑图纸对应的模型,建筑图纸可以为目标项目或者目标建筑物的图纸,BIM模型可以设置于CAD软件中,建筑图纸可以为dwg文件。BIM模型可以为装置式建筑的模型或者其他模型。建筑图纸中可以包括多个构件,建筑构件是指构成建筑物各个要素。如果把建筑物看成是一个产品,那建筑构件就是指这个产品当中的零件。建筑物当中的构件主要有:楼(屋)面、墙体、柱子、基础等,在此不做限定。
102、确定预设神经网络模型的目标配置参数,所述预设神经网络模型基于DenseNet网络实现。
其中,预设神经网络模型可以基于DenseNet网络实现。电子设备可以基于目标图像的特征或者建筑图纸的属性信息确定预设神经网络模型的配置参数。在预设神经网络模块包括DenseBlock模块时,配置参数可以包括以下至少一种:DenseBlock模块的运算次数、DenseBlock模块每一层的网络结构、DenseBlock模块卷积核大小、DenseBlock模块的步长等等,在此不做限定。预设神经网络模块包括DenseBlock模块和Transition模块时,DenseBlock模块连接Transition模块时,配置参数可以包括以下至少一种:DenseBlock模块的运算次数、Transition模块的运算次数、DenseBlock模块每一次运算对应的配置参数以及Transition模块每一次运算对应的配置参数。DenseBlock模块每一次运算对应的配置参数以及Transition模块每一次运算对应的配置参数均可以包括以下至少一种:卷积核大小、运算精度、步长、网络结构等等,在此不做限定。
在一个可能的示例中,上述步骤102,确定预设神经网络模型的目标配置参数,可以包括如下步骤:
A21、获取所述建筑图纸的目标属性信息;
A22、按照预设的属性信息与配置参数之间的映射关系,确定所述目标属性信息对应的所述目标配置参数。
其中,本申请实施例中,属性信息可以为以下至少一种:层级、位置、场景状态、重要等级、标号、功能、构件标识、构件编号、构件三维参数(长宽高)、构件形状等等,在此不做限定。其中,场景状态可以为以下至少一种:会客厅、大厅、卧室、仓库等等,在此不做限定。重要等级可以预先设置或者系统默认。功能可以为以下至少一种:承重、透气、可活动、可拆卸等等,在此不做限定。
具体实现中,电子设备中可以预先存储预设的属性信息与配置参数之间的映射关系,进而,可以获取建筑图纸的目标属性信息,且按照预设的属性信息与配置参数之间的映射关系,确定目标属性信息对应的目标配置参数。
在一个可能的示例中,上述步骤102,确定预设神经网络模型的目标配置参数,可以包括如下步骤:
B21、获取所述目标图像的目标特征信息;
B22、按照预设的特征信息与配置参数之间的映射关系,确定所述目标特征信息对应的所述目标配置参数。
其中,本申请实施例中,特征信息可以为以下至少一种:特征点数量、特征点分布密度、轮廓条数、轮廓长度、轮廓宽度等等,在此不做限定。
具体实现中,电子设备中可以预先存储预设的特征信息与配置参数之间的映射关系,进而,可以获取目标图像的目标特征信息,且按照预设的特征信息与配置参数之间的映射关系,确定目标特征信息对应的目标配置参数。
103、依据所述目标配置参数和所述预设神经网络模型,对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集。
其中,电子设备可以依据目标配置参数对预设神经网络模型进行配置,并依据配置后的预设神经网络模型对目标图像进行运算,得到建筑图纸中的目标构件信息集。
在一个可能的示例中,所述预设神经网络模型包括DenseBlock模块和Transition模块,所述DenseBlock模块连接所述Transition模块;所述目标配置参数包括所述DenseBlock模块的运算次数、所述Transition模块的运算次数、所述DenseBlock模块每一次运算对应的配置参数以及所述Transition模块每一次运算对应的配置参数;
上述步骤103,依据所述目标配置参数和所述预设神经网络模型,对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集,可以包括如下步骤:
31、依据所述目标配置参数对所述预设神经网络模型进行配置,得到执行顺序参数以及配置后的所述预设神经网络模型;
32、依据所述执行顺序参数以及配置后的所述预设神经网络模型对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集。
具体实现中,本申请实施例中,目标构件信息集可以包括至少一个构件的信息,构件的信息可以包括以下至少一种:任一构件的属性信息、构件的数量、构件分布情况、构件的状态、构件与构件之间的关联性、构件的类别等等,在此不做限定。
具体实现中,电子设备可以依据目标配置参数对预设神经网络模型进行配置,得到执行顺序参数以及配置后的所述预设神经网络模型,其中,执行顺序参数可以用于调节DenseBlock模块、Transition模块的执行顺序,或者,其他模块的执行顺序,依据执行顺序参数以及配置后的所述预设神经网络模型对目标图像进行运算,得到建筑图纸中的目标构件信息集。
在一个可能的示例中,所述Transition模块包括池化核模块,所述池化核模块包括归一化模块和激活函数Rule。
具体实现中,Transition模块可以包括池化核模块,该池化核模块可以至少包括归一化模块和激活函数Rule,当然,也可以包括其他模块。
相关技术中,在图像识别领域,深度学习得到广泛应用。ResNet分类网络是当前应用极为广泛的一类CNN特征提取网络,为了解决梯度消失问题,Resnet选择加深网络结。然而,增加深度会带来梯度爆炸的问题,同时性能也明显下降。为了让性能提升,Resnet利用残差网络,改变了前向和后向信息传递的方式,企图让在前面的层到后面的层创建更短的路径。同时为了减少计算量尽量让模型变瘦,用了bottleneck模块等技巧让每层的卷积核数量尽量少,但模型的深度到达一定程度之后,参数尽管大幅上升,但是不能带来相对应的性能的大幅提升。而DenseNet延续该思路进行改进,将所有层直接连起来,即每一层的输入来自前面所有层的输出。
为了克服上述相关技术的不足,本申请实施例,提供一种基于DenseNet的建筑图纸构件分类方法,主要步骤为:1、输入建筑图纸像素矩阵,对建筑图纸进行卷积和最大池化;2、进行三次DenseBLock模块、Transition模块;3、对构件进行分类。
具体实现中,电子设备可以输入建筑图纸像素矩阵(比如300*300),对建筑图纸进行卷积和最大池化。卷积核规模为三个3*3卷积核堆叠,步长为1,池化核选用的是3*3规模,步长为2。在建筑图纸中,可以在这一步要做的是对推荐图层进行处理,而非对整张cad图纸进行处理。在建筑图纸中,如图1B的门,可以发现该像素矩阵是很稀疏的,此时,使用较小的卷积核则不能很好地识别特征,使用较大的卷积核则会导致计算复杂度提高,此时应该选择多个相对小的卷积核来进行卷积,即三个3*3卷积核堆叠,步长为1。同时,在进行卷积特征提取的时候,由于构件线条很是精细,这里采用的步长为1(300*300)。由于图层本身较大,构件线条简单明显,接下来使用3*3最大池化,步长为3进行降维(100*100)。
进一步地,目标图像的数据可以过三次DenseBLock模块、两次Transition模块。DenseNet的核心在于一层的输入是之前所有特征图的拼接,改善层与层之间信息的传递,在这里使用DenseBlock+Transition的结构。其中DenseBlock是包含很多层的模块,每个层的特征图大小相同,层与层之间采用密集连接方式。DenseBlock1模块先经过1*1卷积操作,这是为了通道之间的数据融合,同时可以减少输入数据量,再经过3*3卷积核特征提取,这个操作再连续重复5次。紧接着是Transition模块,也称为过渡层主要的作用在于连接两个相邻的DenseBlock模块,并且通过池化使特征图大小降低,减少计算量。在经过DenseBlock模块后,输入数据会容易发生偏移,所以在这里先进行Batch normalization再进行Relu激活函数;最后为了压缩数据,需要用1*1的卷积核和4*4平均池化来降维,第二个过渡层是5*5平均池化。根据建筑图纸本身的特点,即数据集中的数据较为简单,因此在这里仅仅经过三次DenseBlock模块、两次Transition模块,如下表所示:
进一步地,可以对构件进行分类.采用5*5最大池化(1*1),经过Softmax逻辑回归进行分类。
综上所述,本申请实施例中,可以仅使用了三次DenseBlock模块、两次Transition模块,减少计算复杂度,提高运算速度,另外,根据建筑图纸的特点,改变了池化和卷积的步长,和卷积核设置,以及改变Transition模块的池化核规模,添加BN+RELU步骤,如此,有助于提升构件识别效率。
在一个可能的示例中,上述步骤101-步骤102之间,还可以包括以下步骤:
A1、获取建筑图纸对应的目标项目标识;
A2、按照预设的项目标识与神经网络模型之间的映射关系,确定所述目标项目标识对应的所述预设神经网络模型。
其中,不同的项目可以对应不同的神经网络模型,不同的神经网络模型可以对应不同的模型参数。
具体实现中,电子设备中可以预先存储预设的项目标识与神经网络模型之间的映射关系,进而,可以获取建筑图纸对应的目标项目标识,按照预设的项目标识与神经网络模型之间的映射关系,确定目标项目标识对应的预设神经网络模型。
在一个可能的示例中,上述步骤101-步骤102之间,还可以包括以下步骤:
B1、对所述目标图像进行图像质量评价,得到目标图像质量评价值;
B2、在所述目标图像质量评价值大于预设阈值时,执行所述确定预设神经网络模型的目标配置参数的步骤。
其中,预设阈值可以由用户自行设置或者系统默认。
具体实现中,电子设备可以采用至少一个图像质量评价指标对目标图像进行图像质量评价,得到目标图像质量评价值,在目标图像质量评价值大于预设阈值时,执行步骤102,否则,则可以先对目标图像进行图像增强处理,并依据图像增强处理后的目标图像执行步骤102以及步骤103。图像质量评价指标可以为以下至少一种:清晰度、边缘保持度、平均梯度、信噪比、平均灰度、信息熵等等,在此不做限定。图像增强处理可以为以下至少一种:降噪处理、直方图均衡化、Retinex、灰度拉伸等等,在此不做限定。
进一步地,上述步骤B1,确定所述目标图像的目标图像质量评价值,可以包括如下步骤:
B11、将所述目标图像进行多尺度特征分解,得到低频特征分量和高频特征分量;
B12、将所述低频特征分量划分为多个区域;
B13、确定所述多个区域中每一区域对应的信息熵,得到多个信息熵;
B14、依据所述多个信息熵确定平均信息熵和目标均方差;
B15、确定所述目标均方差对应的目标调节系数;
B16、依据所述目标调节系数对所述平均信息熵进行调节,得到目标信息熵;
B17、按照预设的信息熵与评价值之间的映射关系,确定所述目标信息熵对应的第一评价值;
B18、获取所述目标图像对应的目标拍摄参数;
B19、按照预设的拍摄参数与低频权重之间的映射关系,确定所述目标拍摄参数对应的目标低频权重,依据该目标低频权重确定目标高频权重;
B20、依据所述高频特征分量确定目标特征点分布密度;
B21、按照预设的特征点分布密度与评价值之间的映射关系,确定所述目标特征点分布密度对应的第二评价值;
B22、依据所述第一评价值、所述第二评价值、所述目标低频权重和所述目标高频权重进行加权运算,得到所述目标图像的目标图像质量评价值。
具体实现中,电子设备可以采用多尺度分解算法将目标图像进行多尺度特征分解,得到低频特征分量和高频特征分量,多尺度分解算法可以为以下至少一种:金字塔变换算法、小波变换、轮廓波变换、剪切波变换等等,在此不做限定。进一步地,可以将低频特征分量划分为多个区域,每一区域的面积大小相同或者不同。低频特征分量反映了图像的主体特征,高频特征分量反映了图像的细节信息。
进一步地,电子设备可以确定多个区域中每一区域对应的信息熵,得到多个信息熵,依据多个信息熵确定平均信息熵和目标均方差,信息熵在一定程度上反映了图像信息多少,均方差则可以反映图像信息的稳定性。电子设备中可以预先存储预设均方差与调节系数之间的映射关系,进而,可以依据该映射关系确定目标均方差对应的目标调节系数,本申请实施例中,调节系数的取值范围可以为-0.175~0.175。
进一步地,电子设备可以依据目标调节系数对平均信息熵进行调节,得到目标信息熵,目标信息熵=(1+目标调节系数)*平均信息熵。电子设备中可以预先存储预设的信息熵与评价值之间的映射关系,进而,可以按照预设的信息熵与评价值之间的映射关系,确定目标信息熵对应的第一评价值。
另外,电子设备可以获取目标图像对应的目标拍摄参数,目标拍摄参数可以为以下至少一种:ISO、曝光时长、白平衡参数、对焦参数等等,在此不做限定。电子设备中还可以预先存储预设的拍摄参数与低频权重之间的映射关系,进而,可以按照预设的拍摄参数与低频权重之间的映射关系,确定目标拍摄参数对应的目标低频权重,依据该目标低频权重确定目标高频权重,目标低频权重+目标高频权重=1。
进一步地,电子设备可以依据高频特征分量确定目标特征点分布密度,目标特征点分布密度=高频特征分量的特征点总数量/区域面积。电子设备中还可以预先存储预设的特征点分布密度与评价值之间的映射关系,进而,可以按照预设的特征点分布密度与评价值之间的映射关系,确定目标特征点分布密度对应的第二评价值,最后,依据第一评价值、第二评价值、目标低频权重和目标高频权重进行加权运算,得到所述目标图像的目标图像质量评价值,具体如下:
目标图像质量评价值=第一评价值*目标低频权重+第二评价值*目标高频权重
如此,可以基于图像的低频分量以及高频分量两个维度进行图像质量评价,能够精准得到与拍摄环境相宜的评价参数,即目标图像质量评价值。
可以看出,本申请实施例中所描述的建筑图纸识别方法,应用于电子设备,获取建筑图纸对应的目标图像,确定预设神经网络模型的目标配置参数,预设神经网络模型基于DenseNet网络实现,依据目标配置参数和预设神经网络模型,对目标图像进行运算,得到建筑图纸中的目标构件信息集,如此,可以针对建筑图纸,配置相应的神经网络模型的配置参数,依据该配置参数以及该神经网络模型对建筑图纸实现构件识别,有助于提升建筑图纸中的构件识别效率。
与上述图1A所示的实施例一致地,请参阅图2,图2是本申请实施例提供的一种建筑图纸识别方法的流程示意图,如图所示,应用于电子设备,本建筑图纸识别方法包括:
201、获取建筑图纸对应的目标图像。
202、获取建筑图纸对应的目标项目标识。
203、按照预设的项目标识与神经网络模型之间的映射关系,确定所述目标项目标识对应的预设神经网络模型。
204、确定所述预设神经网络模型的目标配置参数,所述预设神经网络模型基于DenseNet网络实现。
205、依据所述目标配置参数和所述预设神经网络模型,对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集。
其中,上述步骤201-步骤205的具体描述可以参照上述图1A所描述的建筑图纸识别方法的相应步骤,在此不再赘述。
可以看出,本申请实施例中所描述的建筑图纸识别方法,应用于电子设备,获取建筑图纸对应的目标图像,获取建筑图纸对应的目标项目标识,按照预设的项目标识与神经网络模型之间的映射关系,确定目标项目标识对应的预设神经网络模型,确定该预设神经网络模型的目标配置参数,预设神经网络模型基于DenseNet网络实现,依据目标配置参数和预设神经网络模型,对目标图像进行运算,得到建筑图纸中的目标构件信息集,如此,可以针对建筑图纸,配置相应的神经网络模型的配置参数,依据该配置参数以及该神经网络模型对建筑图纸实现构件识别,有助于提升建筑图纸中的构件识别效率。
与上述实施例一致地,请参阅图3,图3是本申请实施例提供的一种电子设备的结构示意图,如图所示,该电子设备包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,本申请实施例中,上述程序包括用于执行以下步骤的指令:
获取建筑图纸对应的目标图像;
确定预设神经网络模型的目标配置参数,所述预设神经网络模型基于DenseNet网络实现;
依据所述目标配置参数和所述预设神经网络模型,对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集。
可以看出,本申请实施例中所描述的电子设备,获取建筑图纸对应的目标图像,确定预设神经网络模型的目标配置参数,预设神经网络模型基于DenseNet网络实现,依据目标配置参数和预设神经网络模型,对目标图像进行运算,得到建筑图纸中的目标构件信息集,如此,可以针对建筑图纸,配置相应的神经网络模型的配置参数,依据该配置参数以及该神经网络模型对建筑图纸实现构件识别,有助于提升建筑图纸中的构件识别效率。
在一个可能的示例中,在所述确定预设神经网络模型的目标配置参数方面,上述程序包括用于执行以下步骤的指令:
获取所述建筑图纸的目标属性信息;
按照预设的属性信息与配置参数之间的映射关系,确定所述目标属性信息对应的所述目标配置参数。
在一个可能的示例中,在所述确定预设神经网络模型的目标配置参数方面,上述程序包括用于执行以下步骤的指令:
获取所述目标图像的目标特征信息;
按照预设的特征信息与配置参数之间的映射关系,确定所述目标特征信息对应的所述目标配置参数。
在一个可能的示例中,所述预设神经网络模型包括DenseBlock模块和Transition模块,所述DenseBlock模块连接所述Transition模块;所述目标配置参数包括所述DenseBlock模块的运算次数、所述Transition模块的运算次数、所述DenseBlock模块每一次运算对应的配置参数以及所述Transition模块每一次运算对应的配置参数;
在所述依据所述目标配置参数和所述预设神经网络模型,对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集方面,上述程序包括用于执行以下步骤的指令:
依据所述目标配置参数对所述预设神经网络模型进行配置,得到执行顺序参数以及配置后的所述预设神经网络模型;
依据执行顺序参数以及配置后的所述预设神经网络模型对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集。
在一个可能的示例中,所述Transition模块包括池化核模块,所述池化核模块包括归一化模块和激活函数Rule。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,电子设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
图4是本申请实施例中所涉及的建筑图纸识别装置400的功能单元组成框图。该建筑图纸识别装置400,应用于电子设备,所述装置400包括:获取单元401、确定单元402和运算单元403,其中,
所述获取单元401,用于获取建筑图纸对应的目标图像;
所述确定单元402,用于确定预设神经网络模型的目标配置参数,所述预设神经网络模型基于DenseNet网络实现;
所述运算单元403,用于依据所述目标配置参数和所述预设神经网络模型,对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集。
可以看出,本申请实施例中所描述的建筑图纸识别装置,应用于电子设备,获取建筑图纸对应的目标图像,确定预设神经网络模型的目标配置参数,预设神经网络模型基于DenseNet网络实现,依据目标配置参数和预设神经网络模型,对目标图像进行运算,得到建筑图纸中的目标构件信息集,如此,可以针对建筑图纸,配置相应的神经网络模型的配置参数,依据该配置参数以及该神经网络模型对建筑图纸实现构件识别,有助于提升建筑图纸中的构件识别效率。
在一个可能的示例中,在所述确定预设神经网络模型的目标配置参数方面,所述确定单元402具体用于:
获取所述建筑图纸的目标属性信息;
按照预设的属性信息与配置参数之间的映射关系,确定所述目标属性信息对应的所述目标配置参数。
在一个可能的示例中,在所述确定预设神经网络模型的目标配置参数方面,所述确定单元402具体用于:
获取所述目标图像的目标特征信息;
按照预设的特征信息与配置参数之间的映射关系,确定所述目标特征信息对应的所述目标配置参数。
在一个可能的示例中,所述预设神经网络模型包括DenseBlock模块和Transition模块,所述DenseBlock模块连接所述Transition模块;所述目标配置参数包括所述DenseBlock模块的运算次数、所述Transition模块的运算次数、所述DenseBlock模块每一次运算对应的配置参数以及所述Transition模块每一次运算对应的配置参数;
在所述依据所述目标配置参数和所述预设神经网络模型,对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集方面,所述运算单元403具体用于:
依据所述目标配置参数对所述预设神经网络模型进行配置,得到执行顺序参数以及配置后的所述预设神经网络模型;
依据执行顺序参数以及配置后的所述预设神经网络模型对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集。
在一个可能的示例中,所述Transition模块包括池化核模块,所述池化核模块包括归一化模块和激活函数Rule。
可以理解的是,本实施例的建筑图纸识别装置的各程序模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括电子设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,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他顺序或者同时进行。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,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
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)
1.一种建筑图纸识别方法,其特征在于,应用于电子设备,所述方法包括:
获取建筑图纸对应的目标图像;
确定预设神经网络模型的目标配置参数,所述预设神经网络模型基于DenseNet网络实现;
依据所述目标配置参数和所述预设神经网络模型,对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集。
2.根据权利要求1所述的方法,其特征在于,所述确定预设神经网络模型的目标配置参数,包括:
获取所述建筑图纸的目标属性信息;
按照预设的属性信息与配置参数之间的映射关系,确定所述目标属性信息对应的所述目标配置参数。
3.根据权利要求1所述的方法,其特征在于,所述确定预设神经网络模型的目标配置参数,包括:
获取所述目标图像的目标特征信息;
按照预设的特征信息与配置参数之间的映射关系,确定所述目标特征信息对应的所述目标配置参数。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述预设神经网络模型包括DenseBlock模块和Transition模块,所述DenseBlock模块连接所述Transition模块;所述目标配置参数包括所述DenseBlock模块的运算次数、所述Transition模块的运算次数、所述DenseBlock模块每一次运算对应的配置参数以及所述Transition模块每一次运算对应的配置参数;
所述依据所述目标配置参数和所述预设神经网络模型,对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集,包括:
依据所述目标配置参数对所述预设神经网络模型进行配置,得到执行顺序参数以及配置后的所述预设神经网络模型;
依据所述执行顺序参数以及配置后的所述预设神经网络模型对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集。
5.根据权利要求4所述的方法,其特征在于,所述Transition模块包括池化核模块,所述池化核模块包括归一化模块和激活函数Rule。
6.一种建筑图纸识别装置,其特征在于,应用于电子设备,所述装置包括:获取单元、确定单元和运算单元,其中,
所述获取单元,用于获取建筑图纸对应的目标图像;
所述确定单元,用于确定预设神经网络模型的目标配置参数,所述预设神经网络模型基于DenseNet网络实现;
所述运算单元,用于依据所述目标配置参数和所述预设神经网络模型,对所述目标图像进行运算,得到所述建筑图纸中的目标构件信息集。
7.根据权利要求6所述的装置,其特征在于,在所述确定预设神经网络模型的目标配置参数方面,所述确定单元具体用于:
获取所述建筑图纸的目标属性信息;
按照预设的属性信息与配置参数之间的映射关系,确定所述目标属性信息对应的所述目标配置参数。
8.根据权利要求6所述的装置,其特征在于,在所述确定预设神经网络模型的目标配置参数方面,所述确定单元具体用于:
获取所述目标图像的目标特征信息;
按照预设的特征信息与配置参数之间的映射关系,确定所述目标特征信息对应的所述目标配置参数。
9.一种电子设备,其特征在于,包括处理器、存储器,所述存储器用于存储一个或多个程序,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-5任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010591069.1A CN111832437B (zh) | 2020-06-24 | 2020-06-24 | 建筑图纸识别方法、电子设备及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010591069.1A CN111832437B (zh) | 2020-06-24 | 2020-06-24 | 建筑图纸识别方法、电子设备及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832437A true CN111832437A (zh) | 2020-10-27 |
CN111832437B CN111832437B (zh) | 2024-03-01 |
Family
ID=72899393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010591069.1A Active CN111832437B (zh) | 2020-06-24 | 2020-06-24 | 建筑图纸识别方法、电子设备及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832437B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112486384A (zh) * | 2020-11-27 | 2021-03-12 | 万翼科技有限公司 | 审图处理方法及相关装置 |
CN112926127A (zh) * | 2021-04-06 | 2021-06-08 | 万翼科技有限公司 | 车库参数确定方法、电子设备及相关产品 |
CN112948928A (zh) * | 2021-02-25 | 2021-06-11 | 万翼科技有限公司 | 基于建筑信息模型的净空高度计算方法及相关装置 |
CN112990143A (zh) * | 2021-04-30 | 2021-06-18 | 杭州品茗安控信息技术股份有限公司 | 一种建筑图纸的模型匹配方法、系统及相关装置 |
CN113094787A (zh) * | 2021-04-06 | 2021-07-09 | 万翼科技有限公司 | 基于图纸poi的施工图纸数据化方法、装置和电子设备 |
CN113094786A (zh) * | 2021-04-06 | 2021-07-09 | 万翼科技有限公司 | 基于图纸poi的施工图结构化组织方法和装置 |
CN113360506A (zh) * | 2021-07-26 | 2021-09-07 | 江苏燕宁工程科技集团有限公司 | 一种基于公路工程bim的纸质档案数字化处理方法及系统 |
CN113779685A (zh) * | 2021-09-27 | 2021-12-10 | 万翼科技有限公司 | 数据处理方法及相关装置 |
CN115797962A (zh) * | 2023-01-13 | 2023-03-14 | 深圳市大乐装建筑科技有限公司 | 基于装配式建筑ai设计的墙柱识别方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038544A (zh) * | 2017-12-04 | 2018-05-15 | 华南师范大学 | 基于大数据和深度学习的神经网络深度学习方法和系统 |
CN108520516A (zh) * | 2018-04-09 | 2018-09-11 | 陕西师范大学 | 一种基于语义分割的桥梁路面裂缝检测和分割方法 |
KR20180111140A (ko) * | 2017-03-31 | 2018-10-11 | 한국전자통신연구원 | 건축물 영상으로부터 부재 정보를 추출하는 방법 및 장치 |
CN109002841A (zh) * | 2018-06-27 | 2018-12-14 | 淮阴工学院 | 一种基于Faster-RCNN模型的建筑构件提取方法 |
CN109241908A (zh) * | 2018-09-04 | 2019-01-18 | 深圳市宇墨科技有限公司 | 人脸识别方法及相关装置 |
CN109583328A (zh) * | 2018-11-13 | 2019-04-05 | 东南大学 | 一种嵌入稀疏连接的深度卷积神经网络字符识别方法 |
CN110765862A (zh) * | 2019-09-17 | 2020-02-07 | 中控智慧科技股份有限公司 | 车标识别的方法及终端设备 |
CN111144561A (zh) * | 2018-11-05 | 2020-05-12 | 杭州海康威视数字技术股份有限公司 | 一种神经网络模型确定方法及装置 |
-
2020
- 2020-06-24 CN CN202010591069.1A patent/CN111832437B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180111140A (ko) * | 2017-03-31 | 2018-10-11 | 한국전자통신연구원 | 건축물 영상으로부터 부재 정보를 추출하는 방법 및 장치 |
CN108038544A (zh) * | 2017-12-04 | 2018-05-15 | 华南师范大学 | 基于大数据和深度学习的神经网络深度学习方法和系统 |
CN108520516A (zh) * | 2018-04-09 | 2018-09-11 | 陕西师范大学 | 一种基于语义分割的桥梁路面裂缝检测和分割方法 |
CN109002841A (zh) * | 2018-06-27 | 2018-12-14 | 淮阴工学院 | 一种基于Faster-RCNN模型的建筑构件提取方法 |
CN109241908A (zh) * | 2018-09-04 | 2019-01-18 | 深圳市宇墨科技有限公司 | 人脸识别方法及相关装置 |
CN111144561A (zh) * | 2018-11-05 | 2020-05-12 | 杭州海康威视数字技术股份有限公司 | 一种神经网络模型确定方法及装置 |
CN109583328A (zh) * | 2018-11-13 | 2019-04-05 | 东南大学 | 一种嵌入稀疏连接的深度卷积神经网络字符识别方法 |
CN110765862A (zh) * | 2019-09-17 | 2020-02-07 | 中控智慧科技股份有限公司 | 车标识别的方法及终端设备 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112486384A (zh) * | 2020-11-27 | 2021-03-12 | 万翼科技有限公司 | 审图处理方法及相关装置 |
CN112948928A (zh) * | 2021-02-25 | 2021-06-11 | 万翼科技有限公司 | 基于建筑信息模型的净空高度计算方法及相关装置 |
CN112948928B (zh) * | 2021-02-25 | 2023-10-20 | 深圳市万翼数字技术有限公司 | 基于建筑信息模型的净空高度计算方法及相关装置 |
CN112926127A (zh) * | 2021-04-06 | 2021-06-08 | 万翼科技有限公司 | 车库参数确定方法、电子设备及相关产品 |
CN113094787A (zh) * | 2021-04-06 | 2021-07-09 | 万翼科技有限公司 | 基于图纸poi的施工图纸数据化方法、装置和电子设备 |
CN113094786A (zh) * | 2021-04-06 | 2021-07-09 | 万翼科技有限公司 | 基于图纸poi的施工图结构化组织方法和装置 |
CN112990143B (zh) * | 2021-04-30 | 2021-08-31 | 杭州品茗安控信息技术股份有限公司 | 一种建筑图纸的模型匹配方法、系统及相关装置 |
CN112990143A (zh) * | 2021-04-30 | 2021-06-18 | 杭州品茗安控信息技术股份有限公司 | 一种建筑图纸的模型匹配方法、系统及相关装置 |
CN113360506A (zh) * | 2021-07-26 | 2021-09-07 | 江苏燕宁工程科技集团有限公司 | 一种基于公路工程bim的纸质档案数字化处理方法及系统 |
CN113360506B (zh) * | 2021-07-26 | 2024-03-26 | 江苏燕宁工程科技集团有限公司 | 一种基于公路工程bim的纸质档案数字化处理方法及系统 |
CN113779685A (zh) * | 2021-09-27 | 2021-12-10 | 万翼科技有限公司 | 数据处理方法及相关装置 |
CN115797962A (zh) * | 2023-01-13 | 2023-03-14 | 深圳市大乐装建筑科技有限公司 | 基于装配式建筑ai设计的墙柱识别方法及装置 |
CN115797962B (zh) * | 2023-01-13 | 2023-05-02 | 深圳市大乐装建筑科技有限公司 | 基于装配式建筑ai设计的墙柱识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111832437B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832437B (zh) | 建筑图纸识别方法、电子设备及相关产品 | |
AU2016201292B2 (en) | Digital image processing using convolutional neural networks | |
WO2020228446A1 (zh) | 模型训练方法、装置、终端及存储介质 | |
CN111754396B (zh) | 脸部图像处理方法、装置、计算机设备和存储介质 | |
CN110008853B (zh) | 行人检测网络及模型训练方法、检测方法、介质、设备 | |
WO2020098257A1 (zh) | 一种图像分类方法、装置及计算机可读存储介质 | |
CN111914997B (zh) | 训练神经网络的方法、图像处理方法及装置 | |
CN107784288A (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
US20220157046A1 (en) | Image Classification Method And Apparatus | |
CN110751195B (zh) | 一种基于改进YOLOv3的细粒度图像分类方法 | |
US20220156987A1 (en) | Adaptive convolutions in neural networks | |
CN112101364B (zh) | 基于参数重要性增量学习的语义分割方法 | |
CN111382791B (zh) | 深度学习任务处理方法、图像识别任务处理方法和装置 | |
CN113743426A (zh) | 一种训练方法、装置、设备以及计算机可读存储介质 | |
WO2024078112A1 (zh) | 一种舾装件智能识别方法、计算机设备 | |
CN113763535A (zh) | 一种特征潜码提取方法、计算机设备及存储介质 | |
CN111783910B (zh) | 建筑项目管理方法、电子设备及相关产品 | |
CN115330579B (zh) | 模型水印的构建方法、装置、设备及存储介质 | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
WO2022127333A1 (zh) | 图像分割模型的训练方法、图像分割方法、装置、设备 | |
CN115409159A (zh) | 对象操作方法、装置、计算机设备以及计算机存储介质 | |
CN115063847A (zh) | 一种面部图像获取模型的训练方法及装置 | |
WO2022001364A1 (zh) | 一种提取数据特征的方法和相关装置 | |
CN113516670A (zh) | 一种反馈注意力增强的非模式图像分割方法及装置 | |
CN111611852A (zh) | 一种表情识别模型的训练方法、装置及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |