CN113946900B - 一种基于户型轮廓和分布特征快速推荐相似户型的方法 - Google Patents
一种基于户型轮廓和分布特征快速推荐相似户型的方法 Download PDFInfo
- Publication number
- CN113946900B CN113946900B CN202111567324.XA CN202111567324A CN113946900B CN 113946900 B CN113946900 B CN 113946900B CN 202111567324 A CN202111567324 A CN 202111567324A CN 113946900 B CN113946900 B CN 113946900B
- Authority
- CN
- China
- Prior art keywords
- house
- house type
- features
- matching
- data
- 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.)
- Active
Links
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]
- G06F30/20—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
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Civil Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Architecture (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于户型轮廓和分布特征快速推荐相似户型的方法,涉及户型数据处理技术领域;该方法包括以下的步骤:S10、数据集的准备,以用于实现训练和匹配推荐户型;S20、数据模型的设计,通过设计统一的建筑信息模型的数据模型,用于存储户型设计的结构和空间信息;S30、户型特征的提取,进行户型的特征设计,选用户型的轮廓图形、面积、户型分布、空间分布以及空间数量的特征,对数据集进行特征提取;S40、数学模型的输出,使用训练数据集,用神经网络方法对算法数学模型进行训练,得到模式估计参数,再拟合矩阵得到数学模型;本发明的有益效果是:旨在为户型设计师提供准确的参考设计方案。
Description
技术领域
本发明涉及户型数据处理技术领域,更具体的说,本发明涉及一种基于户型轮廓和分布特征快速推荐相似户型的方法。
背景技术
目前行业内设计师设计户型时,需要参考轮廓相似、分布相似的户型,都是通过经验或记忆,在所在设计院、团队或个人的方案文档库中进行人工检索,找到相似的设计方案。方案库可能是设计图纸实体,也可能是做了数码归档的电子图纸,但都需要人工检索,人工检索具有以下的缺陷:1、依赖设计师的设计经验和设计方案阅历;2、需要大量时间和人力成本去人工检索;3、受限于设计方案库的数据量,检索结果集有限;4、受限于人工判断,结果可能不够准确。
通过算法进行匹配的技术,也受限于数据源的不统一、数量不足,没有统一的建筑信息模型,导致结果的精确度和回归率都不是特别理想。其主要缺陷表现在以下几个方面:1、没有完善统一的建筑信息模型,用于将各类建筑、户型数据进行统一存储,同时提供完善的信息;2、无法支持多样的格式的数据源,如CAD(制图软件)图纸自动识别等;3、对户型顶视图的图形的匹配,只考虑了单一空间的特征,没有考虑空间与空间之间的相对关系的特征,以及空间类型、面积等特征。
发明内容
为了克服现有技术的不足,本发明提供一种基于户型轮廓和分布特征快速推荐相似户型的方法,旨在为户型设计师提供准确的参考设计方案。
本发明解决其技术问题所采用的技术方案是:一种基于户型轮廓和分布特征快速推荐相似户型的方法,其改进之处在于,该方法包括以下的步骤:
S10、数据集的准备,以用于实现训练和匹配推荐户型;
S20、数据模型的设计,通过设计统一的建筑信息模型的数据模型,用于存储户型设计的结构和空间信息;
S30、户型特征的提取,进行户型的特征设计,选用户型的轮廓图形、面积、户型分布、空间分布以及空间数量的特征,对数据集进行特征提取;
S40、数学模型的输出,使用训练数据集,用神经网络方法对算法数学模型进行训练,得到模式估计参数,再拟合矩阵得到数学模型。
进一步的,步骤S10中,进行数据的清洗和归一。
进一步的,步骤S20中,通过转换算法将各种格式的数据统一至数据模型中。
进一步的,所述的步骤S30中,包括以下的步骤:
S301、户型轮廓及分布数据的输入,对户型轮廓大小进行检测,以判断户型轮廓大小是否合理,当轮廓大小合理时,进入步骤S302;
S302、空间属性的检测,检测必要的空间属性,如该户型设计内部未进行空间划分,则匹配外部轮廓相似的户型方案;
S303、面积特征的匹配,将推荐范围锁定在面积相近的数据集;
S304、空间类型特征的匹配,通过空间数量的特征进行匹配;当分布数据中没有空间类型特征的信息时,则跳过该步骤;
S305、外轮廓特征的匹配,对户型的轮廓图进行梯度化,寻找轮廓图的边缘和角,计算出对应的特征向量,用于筛选数据集中轮廓特征向量相近的数据;
S306、单一空间顶视图特征的匹配,通过每个同类型的空间的顶视图进行匹配;
S307、空间相对分布特征的匹配,通过空间与空间之间的相对位置特征进行匹配。
进一步的,步骤S302中,所述的空间划分即为房间结构。
进一步的,步骤S303中,面积是否相近通过近似容差值判断,该近似容差值通过测试得到一个根据空间类型数量的容差梯度。
进一步的,不同空间类型和数量,有不同的近似容差值,用于提高结果的回归率。
进一步的,步骤S304中,空间数量的特征包括客厅数量和卧室数量。
进一步的,步骤S306中,采用同类型的户型的顶视图进行匹配时,包括户型的面积和轮廓,用于提高结果的准确度。
进一步的,步骤S307中,相对位置特征包括卧室相对客厅的位置和主卧卫生间相对于主卧的位置,通过空间相对分布特征的匹配得到若干组相对位置的向量,并与数据集进行匹配。
进一步的,步骤S307之后,还包括其他户型分布特征的匹配,包括通过提取户型朝向、采光、动静分区以及动线的特征进行匹配;
其中,所述户型朝向特征包括:通过入户门方向和主卧室、采光的窗户朝向计算默认朝向;
所述采光特征包括:需采光空间的加权计算采光值,需采光空间包括客厅、卧室、厨房以及起居室;
所述动静分区特征包括:各类空间的用途的分区,其中客厅、餐厅以及走廊为动区,卧室为静区,从动静区的相对关系提取特征;
所述的动线特征为交通空间的特征,即空间与空间之间的路线。
进一步的,步骤S40中,所述的算法数学模型采用有监督学习的线性模型,即综合特征值为各特征的特征值x和对应权重ω的乘积之和,表述如下:
其中,n为总特征数量,ω为特征权重,x为特征值,y为综合特征值。
进一步的,步骤S40中,拟合矩阵得到数学模型时,通过L2正则化处理,防止算法数学模型的过拟合问题。
进一步的,所述正则化处理即为将个特征权重重新计算为正则权重。
进一步的,步骤S40之后,还包括以下步骤:
集中各方案与输入数据在各个特征上的匹配度,按从高到低的顺序进行展示。
本发明的有益效果是:与现在的相似户型检索方式相比,本发明的户型推荐方法能够使用更加便捷和快速的操作得到更多结果,且准确度也更高。通过简单的绘制轮廓和输入户型分布数据,即可在大数据中推荐出相似的户型,即使是新手设计师也能快速上手并使用,而不要求有丰富的设计经验,也不需要记忆相似的户型去人工检索。
附图说明
图1为本发明的一种基于户型轮廓和分布特征快速推荐相似户型的方法的流程示意图。
图2为本发明的一种基于户型轮廓和分布特征快速推荐相似户型的方法中户型特征的提取的流程示意图。
图3为本发明的一种基于户型轮廓和分布特征快速推荐相似户型的方法中数据模型的具体结构示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本发明的一部分实施例,而不是全部实施例,基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本发明保护的范围。另外,专利中涉及到的所有联接/连接关系,并非单指构件直接相接,而是指可根据具体实施情况,通过添加或减少联接辅件,来组成更优的联接结构。本发明创造中的各个技术特征,在不互相矛盾冲突的前提下可以交互组合。
本发明提供了一种基于户型轮廓和分布特征快速推荐相似户型的方法,通过该方法为户型设计师提供准确的参考设计方案,使用便捷且操作简单。在传统方式中,设计师在寻找类似的方案时,通常是通过物理上的文档归类、经验记忆等方式,手动寻找相似的设计方案,再进行参考设计。而通过本发明,设计师可以以一种高效的信息化方式,快速找到大量准确匹配的设计方案。
参照图1所示,针对本发明的一种基于户型轮廓和分布特征快速推荐相似户型的方法,提供了一具体实施例,本实施例中,该方法包括以下的步骤:
S10、数据集的准备,以用于实现训练和匹配推荐户型;
本实施例中,需要预先准备大量的数据集用于训练和匹配推荐户型;由于收集来的初始数据的数据格式复杂,有图片、CAD(设计制图软件)图纸、简单的建筑信息模型数据等,数据中的户型设计方案也存在各种差异,如图纸比例、配色、各种构件的绘制方式等;因此需要设计算法进行数据清洗和归一;
S20、数据模型的设计,通过设计统一的建筑信息模型的数据模型,用于存储户型设计的结构和空间信息;
在本实施例中,参照图3所示,为设计的数据模型的具体结构,其中楼栋建筑下包括有标准层(单层平面)、名称、轮廓的几何信息、ID以及建筑类型,标准层(单层平面)包括户型单元、ID、名称、经济指标、适用楼栋类型以及面宽进深,弧形单元则包括有名称、ID、节点、墙、房间、门窗、家具、柱子、地板、天花板以及采光面信息;本方案中主要使用户型单元这一层级的数据。
本实施例中,针对几种主流的格式,设计对应的转换算法,将各种格式数据统一到本发明的数据模型(如图片图纸识别算法、CAD图纸识别算法等),能够大大提高数据源多样性和数据量,提高匹配的准确度和回归率。
S30、户型特征的提取,进行户型的特征设计,选用户型的轮廓图形、面积、户型分布、空间分布以及空间数量的特征,对数据集进行特征提取;对于特征提取的步骤,将在下文中进一步详细的说明;
S40、数学模型的输出,使用训练数据集,用神经网络方法对算法数学模型进行训练,得到模式估计参数,再拟合矩阵得到数学模型。
步骤S40中,拟合矩阵得到数学模型时,通过正则化处理,使权重值更加靠近0值;所述正则化处理即为将个特征权重重新计算为正则权重。
本实施例中,所述的算法数学模型采用有监督学习的线性模型,即综合特征值为各特征的特征值x和对应权重ω的乘积之和,表述如下:
其中,n为总特征数量,ω为特征权重,x为特征值,y为综合特征值。
另外,步骤S40之后,还包括以下步骤:集中各方案与输入数据在各个特征上的匹配度,按从高到低的顺序进行展示。
结合图2所示,对于所述的步骤S30,本发明提供了一具体实施例,本实施例中,步骤S30包括以下的步骤:
S301、户型轮廓及分布数据的输入,对户型轮廓大小进行检测,以判断户型轮廓大小是否合理,当轮廓大小合理时,进入步骤S302;
该步骤S301中,对户型轮廓及分布数据的输入进行合理性检测,如果户型面积过大或者过小,超出算法和数据集能够处理的范围,都会直接终止;
本实施例中,系统内统一存储的建筑信息模型,使用其中户型单元数据中的节点、墙、房间数据进行组装,输出轮廓、空间分布参数,具体对应如下:
户型轮廓:即整个户型单元的外轮廓,将所有墙转化为几何线段,会形成一个类似网状的图形,通过图形算法可以找到图形的外层轮廓,即户型的外轮廓。
空间数据:即户型内各房间的数据,房间数据中,提取该房间的墙数据,通过类似户型轮廓的转换,得到房间的外轮廓,与原有的房间类型数据打包,即为空间数据。
S302、空间属性的检测,检测必要的空间属性,如该户型设计内部未进行空间划分,则匹配外部轮廓相似的户型方案;
S303、面积特征的匹配,将推荐范围锁定在面积相近的数据集;
步骤S303中,面积是否相近通过近似容差值判断,该近似容差值通过测试得到一个根据空间类型数量的容差梯度;不同空间类型和数量,有不同的近似容差值,用于提高结果的回归率;
S304、空间类型特征的匹配,通过空间数量的特征进行匹配;当分布数据中没有空间类型特征的信息时,则跳过该步骤;
在本实施例中,步骤S304中,空间数量的特征包括客厅数量和卧室数量,具体包括:
基本空间数量(厅室卫,基于数据分析,绝大部分户型都包含这类空间,且数量分布多样,可以数量作为特征):厅类型的数量(客厅、餐厅、起居室);卧室的数量;卫生间的数量;
特殊空间:是否有阳台;是否有主卧卫生间;是否有独立衣帽间。
S305、外轮廓特征的匹配,对户型的轮廓图进行梯度化,寻找轮廓图的边缘和角,计算出对应的特征向量,用于筛选数据集中轮廓特征向量相近的数据;
S306、单一空间顶视图特征的匹配,通过每个同类型的空间的顶视图进行匹配;
步骤S306中,采用同类型的户型的顶视图进行匹配时,包括户型的面积和轮廓,用于提高结果的准确度;
S307、空间相对分布特征的匹配,通过空间与空间之间的相对位置特征进行匹配;
步骤S307中,相对位置特征包括卧室相对客厅的位置和主卧卫生间相对于主卧的位置,通过空间相对分布特征的匹配得到若干组相对位置的向量,并与数据集进行匹配。在本实施例中,这部分相对位置特征的采集,关键点不在于几何形状,而在于各空间的相对位置,所以算法流程是:各空间取轮廓几何图形的重心作为参考点(忽略掉轮廓本身的影响),将客厅的参考点定为原点,每个其他类型的空间的参考点转化为相对于客厅参考点的方向向量,得到的这组向量会进行常规的归一化处理,使得向量数值不会过大过小,避免过拟合问题。进一步提取特征,将分别提取每个向量的方向和欧几里得距离,作为本项特征的参数。
另外,步骤S307之后,还包括其他户型分布特征的匹配,包括通过提取户型朝向、采光、动静分区以及动线的特征进行匹配;
其中,所述户型朝向特征包括:通过入户门方向和主卧室、采光的窗户朝向计算默认朝向;
所述采光特征包括:需采光空间的加权计算采光值,需采光空间包括客厅、卧室、厨房以及起居室;
所述动静分区特征包括:各类空间的用途的分区,其中客厅、餐厅以及走廊为动区,卧室为静区,从动静区的相对关系提取特征;
所述的动线特征为交通空间的特征,即空间与空间之间的路线。
结合上述的叙述,本发明通过预先收集大量的户型设计方案,并设计好合理的、结构化的BIM(建筑信息模型)数据格式用于存储这些设计方案;有了这些大数据后,需要对这些设计方案进行基于轮廓和分布的数据特征提取,用于机器学习模型的训练。结合配套的便捷工具,使得用户可以通过简单操作输入轮廓、户型分布等信息,输入到推荐算法系统中,得到推荐的户型设计方案。通过这种方式,设计师在需要参考相似的设计方案时,不需要做额外的人工检索的工作,通过本发明的系统就可以得到大量的参考方案,使得设计师可以更加专注于设计工作。
与现在的相似户型检索方式相比,本发明的户型推荐方法能够使用更加便捷和快速的操作得到更多结果,且准确度也更高。通过简单的绘制轮廓和输入户型分布数据,即可在大数据中推荐出相似的户型,即使是新手设计师也能快速上手并使用,而不要求有丰富的设计经验,也不需要记忆相似的户型去人工检索。无需经验和记忆,新手设计师也能快速上手并使用;利用大数据算法,更快更准确得到更多的结果。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (14)
1.一种基于户型轮廓和分布特征快速推荐相似户型的方法,其特征在于,该方法包括以下的步骤:
S10、数据集的准备,以用于实现训练和匹配推荐户型;
S20、数据模型的设计,通过设计统一的建筑信息模型的数据模型,用于存储户型设计的结构和空间信息;
S30、户型特征的提取,进行户型的特征设计,选用户型的轮廓图形、面积、户型分布、空间分布以及空间数量的特征,对数据集进行特征提取;所述的步骤S30中,包括以下的步骤:
S301、户型轮廓及分布数据的输入,对户型轮廓大小进行检测,以判断户型轮廓大小是否合理,当轮廓大小合理时,进入步骤S302;
S302、空间属性的检测,检测必要的空间属性,如该户型设计内部未进行空间划分,则匹配外部轮廓相似的户型方案;
S303、面积特征的匹配,将推荐范围锁定在面积相近的数据集;
S304、空间类型特征的匹配,通过空间数量的特征进行匹配;当分布数据中没有空间类型特征的信息时,则跳过该步骤;
S305、外轮廓特征的匹配,对户型的轮廓图进行梯度化,寻找轮廓图的边缘和角,计算出对应的特征向量,用于筛选数据集中轮廓特征向量相近的数据;
S306、单一空间顶视图特征的匹配,通过每个同类型的空间的顶视图进行匹配;
S307、空间相对分布特征的匹配,通过空间与空间之间的相对位置特征进行匹配;
S40、数学模型的输出,使用训练数据集,用神经网络方法对算法数学模型进行训练,得到模式估计参数,再拟合矩阵得到数学模型。
2.根据权利要求1所述的一种基于户型轮廓和分布特征快速推荐相似户型的方法,其特征在于,步骤S10中,进行数据的清洗和归一。
3.根据权利要求1所述的一种基于户型轮廓和分布特征快速推荐相似户型的方法,其特征在于,步骤S20中,通过转换算法将各种格式的数据统一至数据模型中。
4.根据权利要求1所述的一种基于户型轮廓和分布特征快速推荐相似户型的方法,其特征在于,步骤S302中,所述的空间划分即为房间结构。
5.根据权利要求1所述的一种基于户型轮廓和分布特征快速推荐相似户型的方法,其特征在于,步骤S303中,面积是否相近通过近似容差值判断,该近似容差值通过测试得到一个根据空间类型数量的容差梯度。
6.根据权利要求5所述的一种基于户型轮廓和分布特征快速推荐相似户型的方法,其特征在于,不同空间类型和数量,有不同的近似容差值,用于提高结果的回归率。
7.根据权利要求1所述的一种基于户型轮廓和分布特征快速推荐相似户型的方法,其特征在于,步骤S304中,空间数量的特征包括客厅数量和卧室数量。
8.根据权利要求1所述的一种基于户型轮廓和分布特征快速推荐相似户型的方法,其特征在于,步骤S306中,采用同类型的户型的顶视图进行匹配时,包括户型的面积和轮廓,用于提高结果的准确度。
9.根据权利要求1所述的一种基于户型轮廓和分布特征快速推荐相似户型的方法,其特征在于,步骤S307中,相对位置特征包括卧室相对客厅的位置和主卧卫生间相对于主卧的位置,通过空间相对分布特征的匹配得到若干组相对位置的向量,并与数据集进行匹配。
10.根据权利要求1所述的一种基于户型轮廓和分布特征快速推荐相似户型的方法,其特征在于,步骤S307之后,还包括其他户型分布特征的匹配,包括通过提取户型朝向、采光、动静分区以及动线的特征进行匹配;
其中,所述户型朝向特征包括:通过入户门方向和主卧室、采光的窗户朝向计算默认朝向;
所述采光特征包括:需采光空间的加权计算采光值,需采光空间包括客厅、卧室、厨房以及起居室;
所述动静分区特征包括:各类空间的用途的分区,其中客厅、餐厅以及走廊为动区,卧室为静区,从动静区的相对关系提取特征;
所述的动线特征为交通空间的特征,即空间与空间之间的路线。
12.根据权利要求1所述的一种基于户型轮廓和分布特征快速推荐相似户型的方法,其特征在于,步骤S40中,拟合矩阵得到数学模型时,通过L2正则化处理,防止算法数学模型的过拟合问题。
13.根据权利要求12所述的一种基于户型轮廓和分布特征快速推荐相似户型的方法,其特征在于,所述正则化处理即为将个特征权重重新计算为正则权重。
14.根据权利要求12所述的一种基于户型轮廓和分布特征快速推荐相似户型的方法,其特征在于,步骤S40之后,还包括以下步骤:
集中各方案与输入数据在各个特征上的匹配度,按从高到低的顺序进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111567324.XA CN113946900B (zh) | 2021-12-21 | 2021-12-21 | 一种基于户型轮廓和分布特征快速推荐相似户型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111567324.XA CN113946900B (zh) | 2021-12-21 | 2021-12-21 | 一种基于户型轮廓和分布特征快速推荐相似户型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113946900A CN113946900A (zh) | 2022-01-18 |
CN113946900B true CN113946900B (zh) | 2022-03-29 |
Family
ID=79339468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111567324.XA Active CN113946900B (zh) | 2021-12-21 | 2021-12-21 | 一种基于户型轮廓和分布特征快速推荐相似户型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113946900B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116700724B (zh) * | 2023-08-03 | 2023-10-20 | 江苏狄诺尼信息技术有限责任公司 | 一种基于模式法的立交平面交互式图形设计系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109992693A (zh) * | 2019-04-17 | 2019-07-09 | 广东三维家信息科技有限公司 | 户型匹配方法及装置 |
CN110059690A (zh) * | 2019-03-28 | 2019-07-26 | 广州智方信息科技有限公司 | 基于深度卷积神经网络的户型图语义自动分析方法及系统 |
CN110197225A (zh) * | 2019-05-28 | 2019-09-03 | 广东三维家信息科技有限公司 | 基于深度学习的户型空间匹配方法和系统 |
CN110222621A (zh) * | 2019-05-30 | 2019-09-10 | 贝壳技术有限公司 | 相似户型检测方法、电子设备及存储介质 |
CN111553012A (zh) * | 2020-04-28 | 2020-08-18 | 广东博智林机器人有限公司 | 一种家装设计方法、装置、电子设备及存储介质 |
CN111723419A (zh) * | 2020-04-26 | 2020-09-29 | 清华大学 | 一种居住建筑设计的确定方法及系统 |
CN111985518A (zh) * | 2020-02-18 | 2020-11-24 | 广东三维家信息科技有限公司 | 门窗检测方法及其模型训练的方法、装置 |
CN113537324A (zh) * | 2021-07-05 | 2021-10-22 | 百安居信息技术(上海)有限公司 | 基于薄几何平面样条插值的户型空间匹配方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872258A (zh) * | 2019-01-17 | 2019-06-11 | 平安城市建设科技(深圳)有限公司 | 楼盘户型与推荐者的匹配方法、装置、设备及存储介质 |
-
2021
- 2021-12-21 CN CN202111567324.XA patent/CN113946900B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059690A (zh) * | 2019-03-28 | 2019-07-26 | 广州智方信息科技有限公司 | 基于深度卷积神经网络的户型图语义自动分析方法及系统 |
CN109992693A (zh) * | 2019-04-17 | 2019-07-09 | 广东三维家信息科技有限公司 | 户型匹配方法及装置 |
CN110197225A (zh) * | 2019-05-28 | 2019-09-03 | 广东三维家信息科技有限公司 | 基于深度学习的户型空间匹配方法和系统 |
CN110222621A (zh) * | 2019-05-30 | 2019-09-10 | 贝壳技术有限公司 | 相似户型检测方法、电子设备及存储介质 |
CN111985518A (zh) * | 2020-02-18 | 2020-11-24 | 广东三维家信息科技有限公司 | 门窗检测方法及其模型训练的方法、装置 |
CN111723419A (zh) * | 2020-04-26 | 2020-09-29 | 清华大学 | 一种居住建筑设计的确定方法及系统 |
CN111553012A (zh) * | 2020-04-28 | 2020-08-18 | 广东博智林机器人有限公司 | 一种家装设计方法、装置、电子设备及存储介质 |
CN113537324A (zh) * | 2021-07-05 | 2021-10-22 | 百安居信息技术(上海)有限公司 | 基于薄几何平面样条插值的户型空间匹配方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113946900A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10297070B1 (en) | 3D scene synthesis techniques using neural network architectures | |
US10049297B1 (en) | Data driven method for transferring indoor scene layout and color style | |
CN109800863B (zh) | 一种基于模糊理论和神经网络的测井相识别方法 | |
CN102254192B (zh) | 基于模糊k近邻的三维模型半自动标注方法及系统 | |
CN109974703B (zh) | 一种室内导航网络的构建方法、系统及装置 | |
CN111091618B (zh) | 基于户型数据驱动的组合式室内布局方法和系统 | |
Xu et al. | Organizing heterogeneous scene collections through contextual focal points | |
CN110059690A (zh) | 基于深度卷积神经网络的户型图语义自动分析方法及系统 | |
CN111382805B (zh) | 用于处理房屋的户型矢量数据的方法、电子设备和介质 | |
O’Donnell et al. | LiDAR point-cloud mapping of building façades for building energy performance simulation | |
WO2023124160A1 (zh) | 一种自动生成三维房屋布局的方法、系统、装置及介质 | |
CN113946900B (zh) | 一种基于户型轮廓和分布特征快速推荐相似户型的方法 | |
Garro et al. | Scale space graph representation and kernel matching for non rigid and textured 3D shape retrieval | |
CN110097603B (zh) | 一种时尚图像主色调解析方法 | |
CN102930536A (zh) | 基于层次化结构的室内场景运动性分析与检测方法 | |
JP7230288B1 (ja) | 学習モデル | |
JP7160295B1 (ja) | 学習モデルの生成方法、情報処理装置、情報処理方法、コンピュータプログラム | |
CN113538452B (zh) | 家具布局及三维可视化方法、装置和设备 | |
CN107491814B (zh) | 一种用于知识推送的过程案例分层知识模型构建方法 | |
Echavarria et al. | Analyzing the decorative style of 3d heritage collections based on shape saliency | |
CN115880713A (zh) | 一种基于语义改进的自动寻体构建建筑产权体的方法 | |
CN112015937B (zh) | 一种图片地理定位方法及系统 | |
CN114359506A (zh) | 一种户型对比及解析户型对比结果的方法和装置 | |
CN112818432A (zh) | 一种铺砖设计的生成方法、装置、电子设备及存储介质 | |
Zeng et al. | Integrating as-built BIM model from point cloud data in construction projects |
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 |