CN114067349A

CN114067349A - 目标对象处理方法及装置

Info

Publication number: CN114067349A
Application number: CN202210030374.2A
Authority: CN
Inventors: 李建方; 李宏华; 朱灵杰; 谭平
Original assignee: Alibaba Damo Institute Hangzhou Technology Co Ltd
Current assignee: Alibaba Damo Institute Hangzhou Technology Co Ltd
Priority date: 2022-01-12
Filing date: 2022-01-12
Publication date: 2022-02-18

Abstract

本说明书实施例提供目标对象处理方法及装置，其中，所述方法包括根据目标对象中的多个对象元素、以及所述多个对象元素之间的关联关系构建图网络；确定所述图网络中每个节点的目标节点特征；根据所述每个节点的目标节点特征预测所述每个节点的语义，并计算所述每个节点与其他节点的注意力得分；根据所述每个节点与其他节点的注意力得分，预测所述目标对象的邻接矩阵；根据所述邻接矩阵以及所述每个节点的语义，确定所述目标对象中的对象实例以及所述对象实例的语义。具体的，通过该目标对象处理方法利用其深度学习网络可以快速且准确的对CAD图纸中的元素进行识别。

Description

目标对象处理方法及装置

技术领域

本说明书实施例涉及计算机技术领域，特别涉及一种目标对象处理方法。

背景技术

随着电子计算机功能的不断提高，图纸可以通过计算机的绘图软件绘制，例如CAD图纸；但是通过绘图软件绘制出来的图纸较为专业，没有软件制图背景的用户很难理解图纸中的内容。

那么，在根据CAD图纸进行三维模型构建时，就需要人工识别该CAD图纸中的元素，再根据该CAD图纸中的元素建立对应的三维模型；但是通过人工识别的方式效率低下，并且人工成本较高。

发明内容

有鉴于此，本说明书施例提供了三种目标对象处理方法。本说明书一个或者多个实施例同时涉及三种目标对象处理装置，一种计算设备，一种计算机可读存储介质，一种计算机程序，以解决现有技术中存在的技术缺陷。

根据本说明书实施例的第一方面，提供了一种目标对象处理方法，包括：

根据目标对象中的多个对象元素、以及所述多个对象元素之间的关联关系构建图网络；

确定所述图网络中每个节点的目标节点特征；

根据所述每个节点的目标节点特征预测所述每个节点的语义，并计算所述每个节点与其他节点的注意力得分；

根据所述每个节点与其他节点的注意力得分，预测所述目标对象的邻接矩阵；

根据所述邻接矩阵以及所述每个节点的语义，确定所述目标对象中的对象实例以及所述对象实例的语义。

根据本说明书实施例的第二方面，提供了一种目标对象处理装置，包括：

网络构建模块，被配置为根据目标对象中的多个对象元素、以及所述多个对象元素之间的关联关系构建图网络；

特征确定模块，被配置为确定所述图网络中每个节点的目标节点特征；

语义预测模块，被配置为根据所述每个节点的目标节点特征预测所述每个节点的语义，并计算所述每个节点与其他节点的注意力得分；

矩阵预测模块，被配置为根据所述每个节点与其他节点的注意力得分，预测所述目标对象的邻接矩阵；

实例确定模块，被配置为根据所述邻接矩阵以及所述每个节点的语义，确定所述目标对象中的对象实例以及所述对象实例的语义。

根据本说明书实施例的第三方面，提供了一种目标对象处理方法，包括：

基于用户的调用请求为所述用户展示对象输入界面；

获取所述用户基于所述对象输入界面输入的包含多个对象元素的目标对象；

根据所述目标对象中的多个对象元素、以及所述多个对象元素之间的关联关系构建图网络；

确定所述图网络中每个节点的目标节点特征；

根据本说明书实施例的第四方面，提供了一种目标对象处理装置，包括：

界面展示模块，被配置为基于用户的调用请求为所述用户展示对象输入界面；

对象获取模块，被配置为获取所述用户基于所述对象输入界面输入的包含多个对象元素的目标对象；

网络构建模块，被配置为根据所述目标对象中的多个对象元素、以及所述多个对象元素之间的关联关系构建图网络；

根据本说明书实施例的第五方面，提供了一种目标对象处理方法，包括：

接收用户发送的调用请求，其中，所述调用请求中携带有包含多个对象元素的目标对象；

确定所述图网络中每个节点的目标节点特征；

根据本说明书实施例的第六方面，提供了一种目标对象处理装置，包括：

请求接收模块，被配置为接收用户发送的调用请求，其中，所述调用请求中携带有包含多个对象元素的目标对象；

根据本说明书实施例的第七方面，提供了一种计算设备，包括：

存储器和处理器；

所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现上述目标对象处理方法的步骤。

根据本说明书实施例的第八方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述目标对象处理方法的步骤。

根据本说明书实施例的第九方面，提供了一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行权利要求上述目标对象处理方法的步骤。

本说明书一个实施例提供了目标对象处理方法及装置，其中，所述目标对象处理方法包括根据目标对象中的多个对象元素、以及所述多个对象元素之间的关联关系构建图网络；确定所述图网络中每个节点的目标节点特征；根据所述每个节点的目标节点特征预测所述每个节点的语义，并计算所述每个节点与其他节点的注意力得分；根据所述每个节点与其他节点的注意力得分，预测所述目标对象的邻接矩阵；根据所述邻接矩阵以及所述每个节点的语义，确定所述目标对象中的对象实例以及所述对象实例的语义。

具体的，所述目标对象处理方法通过构建图网络，基于图网络中每个节点的目标节点特征对每个节点的语义以及目标对象的邻接矩阵进行预测，后续可以根据每个节点的语义以及该邻接矩阵快速且准确的确定该目标对象的对象实例以及每个对象实例的语义解析，如通过该目标对象处理方法利用其深度学习网络快速且准确的对CAD图纸中的元素进行识别。

附图说明

图1是本说明书一个实施例提供的一种目标对象处理方法的具体应用场景的示例图；

图2是本说明书一个实施例提供的一种目标对象处理方法的流程图；

图3是本说明书一个实施例提供的一种目标对象处理方法的处理过程过程图；

图4是本说明书一个实施例提供的一种目标对象处理装置的结构示意图；

图5是本说明书一个实施例提供的另一种目标对象处理方法的流程图；

图6是本说明书一个实施例提供的另一种目标对象处理装置的结构示意图；

图7是本说明书一个实施例提供的再一种目标对象处理方法的流程图；

图8是本说明书一个实施例提供的再一种目标对象处理装置的结构示意图；

图9是本说明书一个实施例提供的一种计算设备的结构框图。

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说明书。但是本说明书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说明书内涵的情况下做类似推广，因此本说明书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，对本说明书一个或多个实施例涉及的名词术语进行解释。

CAD：计算机辅助设计，Computer Aided Design，一种制图软件。

PS：一般指Adobe Photoshop，简称“PS”，一种图像处理软件。

CAD图纸识别：识别图纸中的设计元素，比如建筑平面图纸中的墙、窗户、门等。

图注意力：英文全称graph attention，即一种深度学习网络结构。

BIM：英文全称为Building Infomation Model，即建模信息模型，一般指建筑物的三维模型。

在本说明书中，提供了一种目标对象处理方法，本说明书同时涉及一种目标对象处理装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，在下面的实施例中逐一进行详细说明。

参见图1，图1示出了本说明书一个实施例提供的一种目标对象处理方法的具体应用场景的示例图。

图1的应用场景中包括终端102和服务器104。

具体的，以一张CAD图纸（例如建筑平面图纸）为例，该CAD图纸中包括通过CAD制图软件绘制的桌子、椅子以及台灯等，用户通过终端102将该CAD图纸发送给服务器104。

服务器104接收到该CAD图纸之后，通过图注意力模型（图注意力网络）识别该CAD图纸中的图纸元素（例如构成桌子、椅子以及台灯的线段、圆弧等），将每个图纸元素作为顶点（即节点），将每个图纸元素与其他图纸元素之间的关联关系作为边，构建图网络；提取该图网络中的顶点特征（即图纸元素特征），以及显式地编码该图网络的边特征（每两个图纸元素之间的关系，比如距离、角度、相交等）；然后将每个图纸元素的边特征加入其顶点特征，加强顶点之间的关系。

根据每个图纸元素的顶点特征，计算其与他每个图纸元素的注意力得分，再利用每个图纸元素与其他图纸元素的注意力得分，预测一个邻接矩阵，用于后续的实例预测；同时根据每个图纸元素的顶点特征，预测获得每个图纸元素的语义。

根据该邻接矩阵通过后处理的方式，从该邻接矩阵中提取各个连通部分，将各个连通部分作为实例（图中的桌子、椅子以及台灯均为一个实例），再每个图纸元素的语义确定该实例的语义，如第一个连通部分为桌子、第二个连通部分为椅子、第三个连通部分为台灯。

本说明书实施例中，利用基于图注意力（graph attention）网络对CAD图纸进行识别，通过此种深度学习网络让机器自动对CAD图纸进行识别，识别效率快且准确性较高，极大的提高用户效率以及用户体验。

参见图2，图2示出了根据本说明书一个实施例提供的一种目标对象处理方法的流程图，具体包括以下步骤。

步骤202：根据目标对象中的多个对象元素、以及所述多个对象元素之间的关联关系构建图网络。

具体的，该目标对象处理方法应用于深度学习网络，如图注意力网络；该目标对象处理方法中针对目标对象的具体处理步骤，可以理解为该深度学习网络针对目标对象的具体处理操作。

其中，目标对象可以理解为任意格式的图纸，如上述实施例中通过CAD制图软件绘制的图纸，也可以理解为其他制图软件（如PS等）绘制的图纸，又或者可以理解为用户手绘的图纸等，本说明书实施例中对此不做任何限定。

在目标对象为图纸的情况下，目标对象中的多个对象元素则可以理解为图纸中的多个图纸元素，例如图纸中绘制的各种对象的线段、圆弧等。

沿用上例，若目标对象为建筑平面图纸的情况下，该目标对象中的多个对象元素则可以理解为该建筑平面图纸中绘制的构成墙、门或者窗户等的线段、圆弧等。

那么多个对象元素之间的关联关系，则可以理解为线段与线段之间的关联关系（如垂直、相交、距离等）、以及线段与圆弧之间的关联关系（如相交、距离等）等。

具体实施时，在接收目标对象之后，图注意力网络可以识别该目标对象中的多个对象元素，然后根据该多个对象元素以及该多个对象元素之间的关联关系构建图网络；当然，实际应用中，为了节省图注意力网络的具体处理流程、提高其处理效率，也可以将其对目标对象中对象元素的识别以及图网络的构建过程，与图注意力网络分离，即可以将对目标对象中对象元素的识别以及图网络的构建过程作为目标对象的预处理过程，然后将构建的图网络作为图注意力网络的输入进行后续的处理。对此，本说明书实施例并不做具体限定，可以根据实际情况进行选择。

而在构建图网络之前，需要确定目标对象以及目标对象中多个对象元素、多个对象元素之间的关联关系，从而快速且准确的构建该图网络，并进行后续的操作。具体实现方式如下所述：

所述根据目标对象中的多个对象元素、以及所述多个对象元素之间的关联关系构建图网络，包括：

接收目标对象；

确定所述目标对象中的多个对象元素、以及所述多个对象元素之间的关联关系；

将所述多个对象元素中的每个对象元素确定为节点，将所述多个对象元素中每两个对象元素之间的关联关系确定为边；

根据所述节点和所述边构建图网络。

其中，对于目标对象、目标对象中的多个对象元素、以及多个对象元素之间的关联关系的详细解释，可以参见上述内容，在此不再赘述。

仍以目标对象为建筑平面图纸为例；首先，接收待识别的建筑平面图纸，然后识别该建筑平面图纸中对象的多个对象元素、以及每个对象元素与其他对象元素之间的关联关系，例如多个对象元素包括：线段1、线段2、线段3；每个对象元素与其他对象元素之间的关联关系包括：线段1与线段2相交、与线段3垂直，线段2与线段1相交、与线段3垂直，线段3均与线段1和线段2垂直。

然后，将多个对象元素中的每个对象元素作为节点（即上述实施例中描述的顶点），将多个对象元素中每个对象元素与其他对象元素之间的关联关系作为边，通过该节点和边构建图网络，即该图网络中的每个节点即为每个对象元素，每条边即为两个对象元素之间的关联关系。

本说明书实施例中，在构建图网络之前，首先确定待识别的目标对象，通过对该目标对象中的每个对象元素的识别、以及每个对象元素与其他对象元素之间关联关系的识别，快速且准确的构建图网络，后续可以基于该图网络对目标对象中的对象实例进行准确的确定。

步骤204：确定所述图网络中每个节点的目标节点特征。

其中，图网络中每个节点即可以理解为一个对象元素，比如一个线段或者是一个圆弧等。

具体的，在构建图网络之后，可以通过深度学习网络的特征提取层确定该图网络中每个节点的目标节点特征。

实际应用中，仅通过深度学习网络的特征提取层提取该图网络中每个节点的初始节点特征作为目标节点特征，会使得节点与节点之间的关系较弱，因此为了加强节点之间的关系，可以将图网络中边的特征添加至节点。具体实现方式如下所述：

所述确定所述图网络中每个节点的目标节点特征，包括：

确定所述图网络中每个节点的初始节点特征、每条边的边特征；

根据所述每个节点的初始节点特征、以及所述每条边的边特征，确定所述图网络中每个节点的目标节点特征。

其中，图网络中每条边即可以理解为两个节点之间的关联关系；初始节点特征可以表示每个节点的长度、宽度等；每条边的边特征可以表示每两个节点之间的关联关系，如相交、垂直等。

具体的，在构建图网络之后，可以通过深度学习网络的特征提取层确定该图网络中每个节点的初始节点特征、以及每条边的边特征，其中，该边特征可以通过显式编码确定，例如11表示相交关系、22表示垂直关系等。

在获得图网络中每个节点的初始节点特征、每条边的边特征之后，根据该每个节点的初始节点特征以及每条边的边特征，确定该图网络中每个节点的目标节点特征，通过每条边的边特征的辅助方式，增加每个节点的初始节点特征的显著性。其具体实现方式如下所述：

所述根据所述每个节点的初始节点特征、以及所述每条边的边特征，确定所述图网络中每个节点的目标节点特征，包括：

将所述每个节点的初始节点特征、所述每条边的边特征，分别通过多层神经网络进行特征处理；

将特征处理后的所述每条边的边特征，加入特征处理后的所述每个节点的初始节点特征，获得所述图网络中每个节点的目标节点特征。

具体的，在获得图网络中每个节点的初始节点特征、每条边的边特征之后，将每个节点的初始节点特征通过深度学习网络中预先训练的多层神经网络进行特征处理，获得特征处理后的每个节点的初始节点特征；同时将每条边的边特征通过深度学习网络中预先训练的多层神经网络进行特征处理，获得特征处理后的每条边的边特征。

然后，将特征处理后的每条边的边特征，加入到特征处理后的每个节点的初始节点特征中，获得该图网络中每个节点的目标节点特征。

本说明书实施例中，在获得图网络中每个节点的初始节点特征、每条边的边特征之后，分别将每个节点的初始节点特征、每条边的边特征经过多层神经网络进行特征处理，并将特征处理后的每条边的边特征加入到特征处理后的每个节点的初始节点特征中，获得每个节点的目标节点特征，以加强节点之间的关联关系，使得后续可以基于每个节点的目标节点特征准确的预测每个节点的语义以及与其他节点的注意力得分。

步骤206：根据所述每个节点的目标节点特征预测所述每个节点的语义，并计算所述每个节点与其他节点的注意力得分。

具体的，在确定图网络中每个节点的目标节点特征之后，可以根据该图网络中每个节点的目标节点特征预测每个节点的语义，并根据该图网络中每个节点的目标节点特征，计算每个节点与其他节点之间的注意力得分。

具体实施时，每个节点的语义通过深度学习网络中预先训练的语义分割网络进行准确预测，以使得后续可以根据每个节点的语义确定出每个对象实例的语义。具体实现方式如下所述：

所述根据所述每个节点的目标节点特征预测所述每个节点的语义，包括：

根据所述每个节点的目标节点特征，通过语义分割网络预测所述每个节点的语义。

其中，语义分割网络可以理解为深度学习网络中预先训练的网络，该语义分割网络可以根据图网络中每个节点的目标节点特征，预测该每个节点的语义，例如该节点是门的线段、还是窗户的线段等。

本说明书实施例中，通过深度学习网络中预先训练的语义分割网络，可以根据图网络中每个节点的目标节点特征，快速且准确的预测出该图网络中每个节点的节点语义，后续可以根据该节点语义确定出每个对象实例的语义。

此外，还需要根据图网络中每个节点的目标节点特征，通过深度学习网络中的注意力模块，计算每个节点与其他节点的注意力得分，以便后续可以基于每个节点与其他节点的注意力得分，预测获得目标对象的邻接矩阵。

步骤208：根据所述每个节点与其他节点的注意力得分，预测所述目标对象的邻接矩阵。

而在通过深度学习网络中的注意力模块，计算每个节点与其他节点的注意力得分之后，则可以根据每个节点与其他节点的注意力得分，预测获得该目标对象的邻接矩阵。具体实现方式如下所述：

所述根据所述每个节点与其他节点的注意力得分，预测所述目标对象的邻接矩阵，包括：

根据所述每个节点与其他节点的注意力得分，通过实例检测网络预测所述目标对象的邻接矩阵。

其中，实例分割网络可以理解为深度学习网络中预先训练的网络，该实例分割网络可以根据图网络中每个节点与其他节点的注意力得分，预测该目标对象的邻接矩阵，后续可以根据该邻接矩阵确定该目标对象中的对象实例。

本说明书实施例中，通过深度学习网络中预先训练的实例分割网络，可以根据图网络中每个节点与其他节点的注意力得分，预测该目标对象的邻接矩阵，后续可以根据该邻接矩阵快速且准确的确定该目标对象中的对象实例。

步骤210：根据所述邻接矩阵以及所述每个节点的语义，确定所述目标对象中的对象实例以及所述对象实例的语义。

其中，对象实例可以理解为目标对象中的具体内容，以目标对象为建筑平面图纸位置，目标对象中的对象实例可以理解为该建筑平面图纸中绘制的门、窗户、阳台等。

具体的，在确定目标对象的邻接矩阵以及每个节点的语义之后，可以根据该目标对象的邻接矩阵以及每个节点的语义，确定该目标对象中的对象实例以及每个对象实例的语义。具体实现方式如下所述：

所述根据所述邻接矩阵以及所述每个节点的语义，确定所述目标对象中的对象实例以及所述对象实例的语义，包括：

从所述邻接矩阵中提取各个连通部分，将所述各个连通部分作为所述目标对象中的对象实例；根据所述每个节点的语义确定所述对象实例的语义。

其中，邻接矩阵用来表示节点与节点（即对象元素）之间的关联关系。

具体的，在确定邻接矩阵后，从该邻接矩阵中提取各个连通部分，即以某个节点为端点通过预设遍历算法（如深度优先遍历算法或者广度优先遍历算法等）遍历所有的其他节点，判断其自身与其他节点的关联关系，通过此种方式实现从邻接矩阵中提取各个连通部分，然后将该连通部分作为该目标对象的对象实例。最后根据构成该对象实例的节点的语义确定该对象实例的语义。

实际应用中，为了进一步节省图注意力网络的具体处理流程、提高其处理效率，可以将对邻接矩阵的后处理过程（即从邻接矩阵中提取各个连通部分），与图注意力网络分离，即可以将从邻接矩阵中提取各个连通部分，获得目标对象的对象实例作为目标对象的后处理过程，再根据该对象实例以及每个节点的语义确定每个对象实例的语义。对此，本说明书实施例并不做具体限定，可以根据实际情况进行选择即可。

本说明书实施例中，所述目标对象处理方法通过构建图网络，基于图网络中每个节点的目标节点特征对每个节点的语义以及目标对象的邻接矩阵进行预测，后续可以根据每个节点的语义以及该邻接矩阵快速且准确的确定该目标对象的对象实例以及每个对象实例的语义解析，如通过该目标对象处理方法利用其深度学习网络快速且准确的对CAD图纸中的元素进行识别。

下述结合附图3，以本说明书提供的目标对象处理方法在识别建筑平面图纸的应用为例，对所述目标对象处理方法进行进一步说明。其中，图3示出了本说明书一个实施例提供的一种目标对象处理方法的处理过程过程图，具体包括以下步骤。

具体的，图3中的圆点里面的A表示聚合，C表示拼接，+表示相加。

步骤302：接收待识别的建筑平面图纸。

步骤304：根据建筑平面图纸构建图网络。

具体的，将建筑平面图纸输入图注意力网络，通过图注意力网络识别该建筑平面图纸中的图纸元素（例如门、窗的线段、圆弧等），将每个图纸元素作为顶点，将每个图纸元素与其他图纸元素之间的关联关系作为边，构建图网络。

步骤306：提取该图网络中每条边的边特征。

具体的，可以通过图注意力网络的特征提取层，提取该图网络中每条边的边特征。

步骤308：提取该图网络中每个顶点的顶点特征。

具体的，可以通过图注意力网络的特征提取层，提取该图网络中每个顶点的顶点特征。

步骤310：通过多层感知网络对该图网络中每条边的边特征进行特征处理。

其中，多层感知网络可以为MLP，Multilayer Perceptron，多层感知机。

步骤312：通过多层感知网络对该图网络中每个顶点的顶点特征进行特征处理。

步骤314：根据特征处理后的该图网络中每条边的边特征，以及该图网络中每个顶点的顶点特征，获得该图网络中每个顶点的目标顶点特征。

具体的，将特征处理后的该图网络中每条边的边特征，通过RSE module（相对空间位置编码模块）加入到特征处理后的该图网络中每个顶点的顶点特征，获得该图网络中每个顶点的目标顶点特征。其中，RSE module用来编码图纸元素的关系特征，并用于图顶点注意力机制中。

步骤316：根据该图网络中每个顶点的目标顶点特征，计算该图网络中每个顶点与其他顶点的注意力得分。

具体的，根据该图网络中每个顶点的目标顶点特征，通过注意力模块（attenttionstage）计算该图网络中每个顶点与其他顶点的注意力得分。

步骤318：根据该图网络中每个顶点的目标顶点特征，通过图注意力网络中的语义预测头，预测该图网络中每个顶点的语义。

步骤320：根据该图网络中每个顶点与其他顶点的注意力得分，通过图注意力网络中的实例预测头，预测该目标对象的邻接矩阵。

步骤322：通过后处理的方式，从该邻接矩阵中提取各个连通部分作为该目标对象的对象实例，并根据该图网络中每个顶点的语义确定该对象实例的语义。

具体的，在确定该目标对象的对象实例，以及每个对象实例的语义之后，输入针对该建筑平面图纸识别后的全景预测图。

本说明书实施例中，利用基于图注意力（graph attention）网络对建筑平面图纸进行识别，通过此种深度学习网络让机器自动对建筑平面图纸进行识别，识别效率快且准确性较高，极大的提高用户效率以及用户体验。

与上述方法实施例相对应，本说明书还提供了目标对象处理装置实施例，图4示出了本说明书一个实施例提供的一种目标对象处理装置的结构示意图。如图4所示，该装置包括：

网络构建模块402，被配置为根据目标对象中的多个对象元素、以及所述多个对象元素之间的关联关系构建图网络；

特征确定模块404，被配置为确定所述图网络中每个节点的目标节点特征；

语义预测模块406，被配置为根据所述每个节点的目标节点特征预测所述每个节点的语义，并计算所述每个节点与其他节点的注意力得分；

矩阵预测模块408，被配置为根据所述每个节点与其他节点的注意力得分，预测所述目标对象的邻接矩阵；

实例确定模块410，被配置为根据所述邻接矩阵以及所述每个节点的语义，确定所述目标对象中的对象实例以及所述对象实例的语义。

可选地，所述网络构建模块402，进一步被配置为：

接收目标对象；

根据所述节点和所述边构建图网络。

可选地，所述特征确定模块404，进一步被配置为：

可选地，所述语义预测模块406，进一步被配置为：

可选地，所述根据所述每个节点与其他节点的注意力得分，预测所述目标对象的邻接矩阵，包括：

可选地，所述实例确定模块410，进一步被配置为：

本说明书实施例中，所述目标对象处理装置通过构建图网络，基于图网络中每个节点的目标节点特征对每个节点的语义以及目标对象的邻接矩阵进行预测，后续可以根据每个节点的语义以及该邻接矩阵快速且准确的确定该目标对象的对象实例以及每个对象实例的语义解析，如通过该目标对象处理方法利用其深度学习网络快速且准确的对CAD图纸中的元素进行识别。

上述为本实施例的一种目标对象处理装置的示意性方案。需要说明的是，该目标对象处理装置的技术方案与上述的目标对象处理方法的技术方案属于同一构思，目标对象处理装置的技术方案未详细描述的细节内容，均可以参见上述目标对象处理方法的技术方案的描述。

与上述方法实施例相对应，本说明书还提供了另一种目标对象处理方法实施例，图5示出了本说明书一个实施例提供的另一种目标对象处理方法的流程图。如图5所示，该方法包括以下步骤：

步骤502：基于用户的调用请求为所述用户展示对象输入界面；

步骤504：获取所述用户基于所述对象输入界面输入的包含多个对象元素的目标对象；

步骤506：根据所述目标对象中的多个对象元素、以及所述多个对象元素之间的关联关系构建图网络；

步骤508：确定所述图网络中每个节点的目标节点特征；

步骤510：根据所述每个节点的目标节点特征预测所述每个节点的语义，并计算所述每个节点与其他节点的注意力得分，且将所述每个节点的语义通过所述对象输入界面进行展示；

步骤512：根据所述每个节点与其他节点的注意力得分，预测所述目标对象的邻接矩阵；

步骤514：根据所述邻接矩阵以及所述每个节点的语义，确定并通过所述对象输入界面展示所述目标对象中的对象实例以及所述对象实例的语义。

上述为本实施例的另一种目标对象处理方法的示意性方案。需要说明的是，该另一种目标对象处理方法的技术方案与上述的目标对象处理方法的技术方案属于同一构思，另一种目标对象处理方法的技术方案未详细描述的细节内容，均可以参见上述目标对象处理方法的技术方案的描述。

与上述另一种方法实施例相对应，本说明书还提供了另一种目标对象处理装置实施例，图6示出了本说明书一个实施例提供的另一种目标对象处理装置的结构示意图。如图6所示，该装置包括：

界面展示模块602，被配置为基于用户的调用请求为所述用户展示对象输入界面；

对象获取模块604，被配置为获取所述用户基于所述对象输入界面输入的包含多个对象元素的目标对象；

网络构建模块606，被配置为根据所述目标对象中的多个对象元素、以及所述多个对象元素之间的关联关系构建图网络；

特征确定模块608，被配置为确定所述图网络中每个节点的目标节点特征；

语义预测模块610，被配置为根据所述每个节点的目标节点特征预测所述每个节点的语义，并计算所述每个节点与其他节点的注意力得分，且将所述每个节点的语义通过所述对象输入界面进行展示；

矩阵预测模块612，被配置为根据所述每个节点与其他节点的注意力得分，预测所述目标对象的邻接矩阵；

实例确定模块614，被配置为根据所述邻接矩阵以及所述每个节点的语义，确定并通过所述对象输入界面展示所述目标对象中的对象实例以及所述对象实例的语义。

上述为本实施例的另一种目标对象处理装置的示意性方案。需要说明的是，该另一种目标对象处理装置的技术方案与上述的另一种目标对象处理方法的技术方案属于同一构思，另一种目标对象处理装置的技术方案未详细描述的细节内容，均可以参见上述另一种目标对象处理方法的技术方案的描述。

与上述方法实施例相对应，本说明书还提供了再一种目标对象处理方法实施例，图7示出了本说明书一个实施例提供的再一种目标对象处理方法的流程图。如图7所示，该方法包括以下步骤：

步骤702：接收用户发送的调用请求，其中，所述调用请求中携带有包含多个对象元素的目标对象；

步骤704：根据所述目标对象中的多个对象元素、以及所述多个对象元素之间的关联关系构建图网络；

步骤706：确定所述图网络中每个节点的目标节点特征；

步骤708：根据所述每个节点的目标节点特征预测所述每个节点的语义，并计算所述每个节点与其他节点的注意力得分；

步骤710：根据所述每个节点与其他节点的注意力得分，预测所述目标对象的邻接矩阵；

步骤712：根据所述邻接矩阵以及所述每个节点的语义，确定所述目标对象中的对象实例以及所述对象实例的语义。

上述为本实施例的再一种目标对象处理方法的示意性方案。需要说明的是，该再一种目标对象处理方法的技术方案与上述的目标对象处理方法的技术方案属于同一构思，再一种目标对象处理方法的技术方案未详细描述的细节内容，均可以参见上述目标对象处理方法的技术方案的描述。

与上述再一种方法实施例相对应，本说明书还提供了再一种目标对象处理装置实施例，图8示出了本说明书一个实施例提供的再一种目标对象处理装置的结构示意图。如图8所示，该装置包括：

请求接收模块802，被配置为接收用户发送的调用请求，其中，所述调用请求中携带有包含多个对象元素的目标对象；

网络构建模块804，被配置为根据所述目标对象中的多个对象元素、以及所述多个对象元素之间的关联关系构建图网络；

特征确定模块806，被配置为确定所述图网络中每个节点的目标节点特征；

语义预测模块808，被配置为根据所述每个节点的目标节点特征预测所述每个节点的语义，并计算所述每个节点与其他节点的注意力得分；

矩阵预测模块810，被配置为根据所述每个节点与其他节点的注意力得分，预测所述目标对象的邻接矩阵；

实例确定模块812，被配置为根据所述邻接矩阵以及所述每个节点的语义，确定所述目标对象中的对象实例以及所述对象实例的语义。

上述为本实施例的再一种目标对象处理装置的示意性方案。需要说明的是，该再一种目标对象处理装置的技术方案与上述的再一种目标对象处理方法的技术方案属于同一构思，再一种目标对象处理装置的技术方案未详细描述的细节内容，均可以参见上述再一种目标对象处理方法的技术方案的描述。

图9示出了根据本说明书一个实施例提供的一种计算设备900的结构框图。该计算设备900的部件包括但不限于存储器910和处理器920。处理器920与存储器910通过总线930相连接，数据库950用于保存数据。

计算设备900还包括接入设备940，接入设备940使得计算设备900能够经由一个或多个网络960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940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900的上述部件以及图9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9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900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900还可以是移动式或静止式的服务器。

其中，处理器920用于执行如下计算机可执行指令，该计算机可执行指令被处理器执行时实现上述目标对象处理方法的步骤。

上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的目标对象处理方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述目标对象处理方法的技术方案的描述。

本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述目标对象处理方法的步骤。

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的目标对象处理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，均可以参见上述目标对象处理方法的技术方案的描述。

本说明书一实施例还提供一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述目标对象处理方法的步骤。

上述为本实施例的一种计算机程序的示意性方案。需要说明的是，该计算机程序的技术方案与上述的目标对象处理方法的技术方案属于同一构思，计算机程序的技术方案未详细描述的细节内容，均可以参见上述目标对象处理方法的技术方案的描述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，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说明书实施例所必须的。

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。

以上公开的本说明书优选实施例只是用于帮助阐述本说明书。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，根据本说明书实施例的内容，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说明书实施例的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。

Claims

1.一种目标对象处理方法，包括：

确定所述图网络中每个节点的目标节点特征；

2.根据权利要求1所述的目标对象处理方法，所述根据目标对象中的多个对象元素、以及所述多个对象元素之间的关联关系构建图网络，包括：

接收目标对象；

根据所述节点和所述边构建图网络。

3.根据权利要求1所述的目标对象处理方法，所述确定所述图网络中每个节点的目标节点特征，包括：

4.根据权利要求3所述的目标对象处理方法，所述根据所述每个节点的初始节点特征、以及所述每条边的边特征，确定所述图网络中每个节点的目标节点特征，包括：

5.根据权利要求1所述的目标对象处理方法，所述根据所述每个节点的目标节点特征预测所述每个节点的语义，包括：

6.根据权利要求1所述的目标对象处理方法，所述根据所述每个节点与其他节点的注意力得分，预测所述目标对象的邻接矩阵，包括：

7.根据权利要求1所述的目标对象处理方法，所述根据所述邻接矩阵以及所述每个节点的语义，确定所述目标对象中的对象实例以及所述对象实例的语义，包括：

8.一种目标对象处理装置，包括：

9.一种目标对象处理方法，包括：

基于用户的调用请求为所述用户展示对象输入界面；

确定所述图网络中每个节点的目标节点特征；

根据所述每个节点的目标节点特征预测所述每个节点的语义，并计算所述每个节点与其他节点的注意力得分，且将所述每个节点的语义通过所述对象输入界面进行展示；

根据所述邻接矩阵以及所述每个节点的语义，确定并通过所述对象输入界面展示所述目标对象中的对象实例以及所述对象实例的语义。

10.一种目标对象处理装置，包括：

11.一种目标对象处理方法，包括：

确定所述图网络中每个节点的目标节点特征；

12.一种目标对象处理装置，包括：

13.一种计算设备，包括：

存储器和处理器；

所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1-7、9、11任意一项所述目标对象处理方法的步骤。

14.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1-7、9、11任意一项所述目标对象处理方法的步骤。