CN114239116A - 一种基于风格迁移的bim设计推荐方法 - Google Patents
一种基于风格迁移的bim设计推荐方法 Download PDFInfo
- Publication number
- CN114239116A CN114239116A CN202111573786.2A CN202111573786A CN114239116A CN 114239116 A CN114239116 A CN 114239116A CN 202111573786 A CN202111573786 A CN 202111573786A CN 114239116 A CN114239116 A CN 114239116A
- Authority
- CN
- China
- Prior art keywords
- style
- bim
- similarity
- feature map
- model
- 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
- 238000013461 design Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013508 migration Methods 0.000 title claims abstract description 20
- 230000005012 migration Effects 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000012423 maintenance Methods 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
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 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]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于风格迁移的BIM设计推荐方法，包括通过BIM模型得到观测球，为观测球设置不同的观察点并找出特征图，构建风格特征提取模型并获取特征图的风格向量，将输入特征图得到风格向量与数据库中存储的图像风格向量进行相似度匹配排序并选择出合适构件；本发明采用图像风格迁移技术中的风格表示理论来搭建BIM构件自动推荐系统中的风格特征向量提取模型，并通过风格相似度对BIM模型库中的构件进行过滤和排序辅助，能够自动推荐风格相似的BIM构件，使用户快速地找到合适的构件，省时省力，实现建筑的环境和经济可持续性，可以为室内设计提供数据化的引导，并辅助相关人员完成方案优化、数字化审图、室内设计等工作。
Description
技术领域
本发明涉及室内装修设计技术领域，尤其涉及一种基于风格迁移的BIM设计推荐方法。
背景技术
建筑、工程和施工行业(Architecture，Engineering&Construction，AEC)一直在寻求可以降低项目成本、提高生产效率以及缩短项目交付时间的技术，建筑信息模型(BIM)是AEC行业数字化转型的基础，BIM市场规模预计将从2020年的45 亿美元增长到2025年的88亿美元，复合年增长率为14.5％，利用BIM 技术，建立统一的数字化模型共享设施信息资源，使项目中不同利益相关者及时识别建筑全生命周期中任何潜在问题，从而在各阶段减少浪费并优化效率，BIM不仅描述了3D几何形状，还包括丰富的建筑数据，能够进行智能数据分析和模拟，其应用可以扩展到规划、设计、施工和运维阶段，设计阶段影响着项目的整体质量和效益，大量BIM 应用不断涌现，包括协同设计、设计方案可视化论证、碰撞检查以及基于BIM的室内设计等。
目前，BIM室内设计模式主要是依靠人工手动选择BIM构件来创建虚拟室内场景，现有大量共享公共或者私人的BIM构件库用来提高设计效率，如BIMobject、SmartBIM、3DWarehouse等，然而，随着BIM 构件数量的不断增加，如何快速地找到合适的构件成为关键问题，研究表明，设计者通常需要花费60％的时间来手动搜索构件，协调放置在场景中的模型风格是BIM室内设计的一个重要原则，"风格"是一个高级语义概念，涉及颜色、几何形状和其他视觉元素，早期的方法侧重于3D模型的几何形状来推荐风格，但是，这种方法通常需要手动处理单个三维模型，既耗费时间和人力，还无法扩展到大规模BIM模型数据集上，因此，本发明提出一种基于风格迁移的BIM设计推荐方法以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明的目的在于提出一种基于风格迁移的BIM 设计推荐方法，该方法采用图像风格迁移技术中的风格表示理论来搭建BIM构件自动推荐系统中的风格特征向量提取模型，并通过风格相似度对BIM模型库中的构件进行过滤和排序辅助，能够自动推荐风格相似的BIM构件，使用户快速地找到合适的构件。
为了实现本发明的目的，本发明通过以下技术方案实现：一种基于风格迁移的BIM设计推荐方法，包括以下步骤：
步骤一：先给定一个BIM模型p，再利用极值点最优球算法来快速计算BIM模型的最优外接球Bp，使得BIM模型p中所有3D形状均处于在最优外接球Bp的内部或边界上，然后不断扩大最优外接球Bp的半径，得到观测球Op；
步骤二：先为观测球Op设置不同的观察点，再由不同的观察点到观测球Op中心，捕获不同角度的BIM构件模型图像，接着采用VGG19 网络的识别算法从捕获的BIM构件模型图像中找出最具代表性的图像，作为特征图；
步骤三：使用标准版VGG19网络的16个卷积层和5个池化层，在不使用完全连接层的情况下构建风格特征提取模型，将特征图输入风格特征提取模型中，获取特征图的风格向量；
步骤四：将输入特征图得到风格向量与数据库中存储的图像风格向量进行相似度匹配排序，并选择出风格相似度最高BIM构件，以完成BIM构件智能推荐。
进一步改进在于：所述步骤二中，设置观察点时，参考足球具备 32个面，在观测球Op上设置32个观察点，且32个观察点分别为足球32个面的中心。
进一步改进在于：所述步骤二中，找出最具代表性的图像时，对每张捕获的BIM构件模型图像进行分数评估计算，评估函数公式如下：
其中，max(ci)和max2(ci)分别代表vi的最大值和第二大值，σ(ci) 是ci的标准差，最后选择
最大的图像作为特征图。
进一步改进在于：所述步骤三中，通过按比例缩放权重来规范化VGG网络，使得每层卷积滤波器在图像和位置上的平均激活值等于1。
进一步改进在于：所述步骤三中，通过VGG网络的浅层提取特征图的细节特征，同时VGG网络的深层保留特征图中物体的高级抽象特征，所述细节特征包括特征图的线条、颜色和花纹，所述高级抽象特征包括特征图中物体的形状和位置。
进一步改进在于：所述步骤三中，通过风格特征提取模型获取特征图在不同卷积层的特征，再分别提取不同卷积层的特征进行Gram 矩阵计算，并且每层所得结果均为对称矩阵，选取特征图主对角线及以上的元素组成原始风格向量Sl：
对原始风格向量进行L2范数归一化，使向量中数据映射到(0，1) 或(-1，1)之间，并定义一个风格向量Vl：
进一步改进在于：所述步骤四中，选择出风格相似度最高BIM构件的具体步骤为：设向量
则风格相似度Dl定义如下:
输入图像经过风格特征提取模型获取风格向量Vconv1_1、Vconv2_1、 Vconv3_1、Vconv4_1、Vconv5_1，与数据库中存储图像相应层的风格向量进行欧式距离计算，得到五层风格相似度Dconv1_1、Dconv2_1、Dconv3_1、 Dconv4_1、Dconv5_1，再计算组合五层风格向量的风格相似度D，最后对风格相似度D进行排序并推荐出风格相似度最高的K个BIM构件。
进一步改进在于：将欧式距离作为衡量图像风格相似度的标准，则两张图像之间的欧式距离越小，证明风格越相似。
本发明的有益效果为：本发明采用图像风格迁移技术中的风格表示理论来搭建BIM构件自动推荐系统中的风格特征向量提取模型，并通过风格相似度对BIM模型库中的构件进行过滤和排序辅助完成构件的推荐，能够自动推荐风格相似的BIM构件，使用户可以快速地找到合适的构件，省时省力，实现建筑的环境和经济可持续性，可以为室内设计提供数据化的引导，并辅助相关人员完成方案优化、数字化审图、消防疏散路径设计、室内设计等工作。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一的方法流程示意图
图2是本发明实施例一的整体框架示意图；
图3是本发明实施例一的Gram矩阵示意图；
图4是本发明实施例一的不同卷积层的特征示意图；
图5是本发明实施例二的风格相似度计算过程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例一
参见图1、图2、图3、图4，本实施例提供了一种基于风格迁移的BIM设计推荐方法，包括以下步骤：
步骤一：先给定一个BIM模型p，再利用极值点最优球算法来快速计算BIM模型的最优外接球Bp，使得BIM模型p中所有3D形状均处于在最优外接球Bp的内部或边界上，然后不断扩大最优外接球Bp的半径，得到观测球Op；
步骤二：参考足球具备32个面，在观测球Op上设置32个观察点，且32个观察点分别为足球32个面的中心，再由不同的观察点到观测球Op中心，捕获不同角度的BIM构件模型图像，接着采用VGG19 网络的识别算法从捕获的BIM构件模型图像中找出最具代表性的图像，作为特征图，找出最具代表性的图像时，对每张捕获的BIM构件模型图像进行分数评估计算，评估函数公式如下：
其中，max(ci)和max2(ci)分别代表vi的最大值和第二大值，σ(ci) 是ci的标准差，最后选择
最大的图像作为特征图；
步骤三：VGG19网络在增加网络层数的同时用3×3的小卷积核代替大卷积核，不但减少卷积计算量，还提高了图像特征提取的精确度，因此，使用标准版VGG19网络的16个卷积层和5个池化层，在不使用完全连接层的情况下构建风格特征提取模型，通过按比例缩放权重来规范化VGG网络，使得每层卷积滤波器在图像和位置上的平均激活值等于1，这种规范网络的方法不会改变它的输出，因为它只包含修正线性激活函数，将特征图输入风格特征提取模型中，通过VGG19 网络的浅层提取特征图的线条、颜色、花纹等细节特征，深层则基本保留了特征图中物体的形状和位置等高级抽象的特征，通过风格特征提取模型获取特征图在不同卷积层的特征，再分别提取不同卷积层的特征进行Gram矩阵计算，并且每层所得结果均为对称矩阵，选取特征图主对角线及以上的元素组成原始风格向量Sl：
对原始风格向量进行L2范数归一化，使向量中数据映射到(0，1) 或(-1，1)之间，并定义一个风格向量Vl：
VGG19网络中的每一层都定义了一个非线性滤波器组，其复杂程度随着该层在网络中的位置而增加，输入一张图像，每一层都会对其进行滤波响应编码，假设某一层有N1个不同的滤波器，则会产生N1个大小为M1的特征图,M1为特征图的高度H1×宽度W1,因此，第l层的响应可以存储在
矩阵；
图像风格表示由同一层中不同滤波器响应之间的相关性组成，这些特征相关性由Gram矩阵
定义，设网络中第l层的输出为 Fl，则该层的Gram矩阵定义如下：
Gl＝Fl(Fl)T。
步骤四：欧式距离是衡量图像风格相似度的标准，两张图像的欧式距离越小，证明风格越相似，将输入特征图得到风格向量与数据库中存储的图像风格向量进行相似度匹配排序，并选择出风格相似度最高BIM构件，具体步骤为：设向量
则风格相似度Dl定义如下：
输入图像经过风格特征提取模型获取风格向量Vconv1_1、Vconv2_1、 Vconv3_1、Vconv4_1、Vconv5_1，与数据库中存储图像相应层的风格向量进行欧式距离计算，得到五层风格相似度Dconv1_1、Dconv2_1、Dconv3_1、 Dconv4_1、Dconv5_1，再计算组合五层风格向量的风格相似度D，最后对风格相似度D进行排序并推荐出风格相似度最高的K个BIM构件，以完成BIM构件智能推荐。
实施例二
参见图5，根据实施例一提供的一种基于风格迁移的BIM设计推荐方法进行实验：
BIM风格构件推荐评价指标是评定推荐系统性能的标准，本实施例评价指标定义如下：
(1)风格相似度(D)：推荐出n个模型的依据。
(2)效率(T)：推荐出n个模型所需要花费的时间。
(3)准确率(P)：推荐出n个模型中，大众认为风格匹配模型所占比例。
随机输入两个模型计算D，结果如图5所示,为了计算准确率，招募了20个志愿者对本实施例的数据集进行模型风格匹配的评判，对任意一个模型，每名志愿者需要选择风格最匹配的25个家具模型，其中床(Bed)、桌子(Table)、椅子(Chair)、沙发(Sofa)、储藏柜(Cabinet)每类均有5个，按类别统计模型及选择该模型的人数，依据少数服从多数原则，当有一半以上的人数认为某两个模型风格是相匹配的，说明这两个模型风格确实一致，由于模型风格只能依靠志愿者的主观评价，在一定程度上会影响推荐准确率，也应该适当地参考一些少数人的意见，因此，根据模型选择人数规定了计算准确率所需要的权重ω，如下表1所示：
表1
BIM构件推荐系统的准确率定义如下：
其中，n表示推荐出模型的总数，i是推荐出的第i个模型，ωi是第 i个模型选择人数对应的权重。
本实验采用P1、P2、P3、P4、P5、P分别代表以风格相似度Dconv1_1、 Dconv2_1、Dconv3_1、Dconv4_1、Dconv5_1、D排序进行BIM构件推荐的准确率，使用T1、T2、T3、T4、T5、P来表示相应的推荐效率。
分别从BIMobject、SmartBIM、构件坞等公共构件库中选择出 Autodesk Revit绘制的649个BIM家具模型，建立实验所需要的构件数据集，数据集共分为：Bed(103个)、Table(118个)、Chair (56个)、Sofa(256个)、Cabinet(116个)五类家具模型，从Sketchup 上收集了1348个3D室内模型，涉及四个场景：客厅(428个)、卧室(440个)、书房(200个)、餐厅(280个)。
输入一个模型进行风格相似度计算并排序，每类推荐出评分最高的5个BIM构件
本实施例从Bed、Table、Chair、Sofa、Cabinet这5类中选择了 15个家具模型作为测试集，其中每类随机选取3个模型。分别为每一个模型计算推荐准确率P1、P2、P3、P4、P5、P，部分结果如下表 2所示：
表2
| 参考对象 | P(％) | P<sub>1</sub>(％) | P<sub>5</sub>(％) |
| 1 | 89.6 | 69.2 | 60.0 |
| 2 | 85.2 | 64.4 | 55.2 |
| 3 | 84.8 | 68.8 | 40.4 |
| 4 | 78.0 | 67.2 | 55.2 |
| 5 | 85.6 | 76.8 | 41.8 |
| 6 | 86.0 | 65.6 | 49.6 |
| 7 | 77.6 | 65.2 | 50.4 |
| 8 | 81.4 | 67.6 | 49.6 |
| 9 | 87.2 | 62.4 | 44.0 |
| 10 | 80.4 | 61.6 | 42.8 |
| 11 | 82.0 | 69.6 | 44.8 |
| 12 | 83.2 | 72.4 | 46.4 |
| 13 | 74.0 | 58.2 | 42.8 |
| 14 | 81.6 | 71.6 | 41.2 |
| 15 | 78.8 | 67.6 | 52.8 |
由表2分析可得，本发明的BIM设计推荐方法准确率较高。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于风格迁移的BIM设计推荐方法，其特征在于，包括以下步骤：
步骤一：先给定一个BIM模型p，再利用极值点最优球算法来快速计算BIM模型的最优外接球Bp，使得BIM模型p中所有3D形状均处于在最优外接球Bp的内部或边界上，然后不断扩大最优外接球Bp的半径，得到观测球Op；
步骤二：先为观测球Op设置不同的观察点，再由不同的观察点到观测球Op中心，捕获不同角度的BIM构件模型图像，接着采用VGG19网络的识别算法从捕获的BIM构件模型图像中找出最具代表性的图像，作为特征图；
步骤三：使用标准版VGG19网络的16个卷积层和5个池化层，在不使用完全连接层的情况下构建风格特征提取模型，将特征图输入风格特征提取模型中，获取特征图的风格向量；
步骤四：将输入特征图得到风格向量与数据库中存储的图像风格向量进行相似度匹配排序，并选择出风格相似度最高BIM构件，以完成BIM构件智能推荐。
2.根据权利要求1所述的一种基于风格迁移的BIM设计推荐方法，其特征在于：所述步骤二中，设置观察点时，参考足球具备32个面，在观测球Op上设置32个观察点，且32个观察点分别为足球32个面的中心。
3.根据权利要求1所述的一种基于风格迁移的BIM设计推荐方法，其特征在于：所述步骤二中，找出最具代表性的图像时，对每张捕获的BIM构件模型图像进行分数评估计算，评估函数公式如下：
其中，max(ci)和max2(ci)分别代表vi的最大值和第二大值，σ(ci)是ci的标准差，最后选择▽最大的图像作为特征图。
4.根据权利要求1所述的一种基于风格迁移的BIM设计推荐方法，其特征在于：所述步骤三中，通过按比例缩放权重来规范化VGG网络，使得每层卷积滤波器在图像和位置上的平均激活值等于1。
5.根据权利要求1所述的一种基于风格迁移的BIM设计推荐方法，其特征在于：所述步骤三中，通过VGG网络的浅层提取特征图的细节特征，同时VGG网络的深层保留特征图中物体的高级抽象特征，所述细节特征包括特征图的线条、颜色和花纹，所述高级抽象特征包括特征图中物体的形状和位置。
6.根据权利要求1所述的一种基于风格迁移的BIM设计推荐方法，其特征在于：所述步骤三中，通过风格特征提取模型获取特征图在不同卷积层的特征，再分别提取不同卷积层的特征进行Gram矩阵计算，并且每层所得结果均为对称矩阵，选取特征图主对角线及以上的元素组成原始风格向量Sl：
对原始风格向量进行L2范数归一化，使向量中数据映射到(0，1)或(-1，1)之间，并定义一个风格向量Vl：
7.根据权利要求1所述的一种基于风格迁移的BIM设计推荐方法，其特征在于：所述步骤四中，选择出风格相似度最高BIM构件的具体步骤为：设向量
则风格相似度Dl定义如下:
输入图像经过风格特征提取模型获取风格向量Vconv1_1、Vconv2_1、Vconv3_1、Vconv4_1、Vconv5_1，与数据库中存储图像相应层的风格向量进行欧式距离计算，得到五层风格相似度Dconv1_1、Dconv2_1、Dconv3_1、Dconv4_1、Dconv5_1，再计算组合五层风格向量的风格相似度D，最后对风格相似度D进行排序并推荐出风格相似度最高的K个BIM构件。
8.根据权利要求7所述的一种基于风格迁移的BIM设计推荐方法，其特征在于：将欧式距离作为衡量图像风格相似度的标准，则两张图像之间的欧式距离越小，证明风格越相似。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111573786.2A CN114239116B (zh) | 2021-12-21 | 2021-12-21 | 一种基于风格迁移的bim设计推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111573786.2A CN114239116B (zh) | 2021-12-21 | 2021-12-21 | 一种基于风格迁移的bim设计推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114239116A true CN114239116A (zh) | 2022-03-25 |
| CN114239116B CN114239116B (zh) | 2022-07-12 |
Family
ID=80760694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111573786.2A Active CN114239116B (zh) | 2021-12-21 | 2021-12-21 | 一种基于风格迁移的bim设计推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114239116B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115048588A (zh) * | 2022-08-17 | 2022-09-13 | 中国建筑西南设计研究院有限公司 | 一种bim构件的推荐方法、装置以及电子设备 |
| CN115544630A (zh) * | 2022-11-07 | 2022-12-30 | 中国建筑西南设计研究院有限公司 | 一种bim构件的创建方法、装置、存储介质及电子设备 |
| CN117150622A (zh) * | 2023-09-08 | 2023-12-01 | 中国建筑第二工程局有限公司 | 基于gan算法和bim技术的仿古屋面挑檐特色优化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180137221A1 (en) * | 2016-11-17 | 2018-05-17 | Electronics And Telecommunications Research Nstitute | Apparatus and method for analyzing buildings |
| CN110442977A (zh) * | 2019-08-08 | 2019-11-12 | 广州华建工智慧科技有限公司 | 基于建筑施工工序网络推荐的移动端bim模型智能缓存方法 |
| CN110570377A (zh) * | 2019-09-11 | 2019-12-13 | 辽宁工程技术大学 | 一种基于组归一化的快速图像风格迁移方法 |
| CN111242841A (zh) * | 2020-01-15 | 2020-06-05 | 杭州电子科技大学 | 一种基于语义分割和深度学习的图片背景风格迁移方法 |
| CN112084551A (zh) * | 2020-07-03 | 2020-12-15 | 邱宇 | 一种基于对抗生成网络的建筑立面识别与生成方法 |
-
2021
- 2021-12-21 CN CN202111573786.2A patent/CN114239116B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180137221A1 (en) * | 2016-11-17 | 2018-05-17 | Electronics And Telecommunications Research Nstitute | Apparatus and method for analyzing buildings |
| CN110442977A (zh) * | 2019-08-08 | 2019-11-12 | 广州华建工智慧科技有限公司 | 基于建筑施工工序网络推荐的移动端bim模型智能缓存方法 |
| CN110570377A (zh) * | 2019-09-11 | 2019-12-13 | 辽宁工程技术大学 | 一种基于组归一化的快速图像风格迁移方法 |
| CN111242841A (zh) * | 2020-01-15 | 2020-06-05 | 杭州电子科技大学 | 一种基于语义分割和深度学习的图片背景风格迁移方法 |
| CN112084551A (zh) * | 2020-07-03 | 2020-12-15 | 邱宇 | 一种基于对抗生成网络的建筑立面识别与生成方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘明昊: "基于VGG-16的图像风格迁移", 《电子制作》, no. 12, 15 June 2020 (2020-06-15) * |
| 周小平等: "基于构件形状分布和配准位置的BIM模型对比方法", 《图学学报》, 30 June 2020 (2020-06-30) * |
| 王佳等: "基于构件形状分布和配准位置的BIM模型对比方法", 《图学学报》, no. 03, 31 December 2020 (2020-12-31) * |
| 王赞等: "深度神经网络测试研究综述", 《软件学报》, no. 05, 15 May 2020 (2020-05-15) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115048588A (zh) * | 2022-08-17 | 2022-09-13 | 中国建筑西南设计研究院有限公司 | 一种bim构件的推荐方法、装置以及电子设备 |
| CN115544630A (zh) * | 2022-11-07 | 2022-12-30 | 中国建筑西南设计研究院有限公司 | 一种bim构件的创建方法、装置、存储介质及电子设备 |
| CN115544630B (zh) * | 2022-11-07 | 2023-03-24 | 中国建筑西南设计研究院有限公司 | 一种bim构件的创建方法、装置、存储介质及电子设备 |
| CN117150622A (zh) * | 2023-09-08 | 2023-12-01 | 中国建筑第二工程局有限公司 | 基于gan算法和bim技术的仿古屋面挑檐特色优化方法 |
| CN117150622B (zh) * | 2023-09-08 | 2024-05-07 | 中国建筑第二工程局有限公司 | 基于gan算法和bim技术的仿古屋面挑檐特色优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114239116B (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114239116B (zh) | 一种基于风格迁移的bim设计推荐方法 | |
| Wang et al. | Deep convolutional priors for indoor scene synthesis | |
| CN106203395B (zh) | 基于多任务深度学习的人脸属性识别方法 | |
| CN108596329B (zh) | 基于端到端深度集成学习网络的三维模型分类方法 | |
| Unnikrishnan et al. | Toward objective evaluation of image segmentation algorithms | |
| CN111814704B (zh) | 基于级联注意力与点监督机制的全卷积考场目标检测方法 | |
| CN111860171B (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及系统 | |
| CN111898406B (zh) | 基于焦点损失和多任务级联的人脸检测方法 | |
| CN110163258A (zh) | 一种基于语义属性注意力重分配机制的零样本学习方法及系统 | |
| CN109165674A (zh) | 一种基于多标签深度卷积网络的证件照分类方法 | |
| CN105930382A (zh) | 一种用2d图片搜索3d模型的方法 | |
| CN103761295B (zh) | 基于图片自动分类的艺术类图片的定制化特征量提取方法 | |
| CN108805151B (zh) | 一种基于深度相似性网络的图像分类方法 | |
| CN110737805A (zh) | 图模型数据的处理方法、装置和终端设备 | |
| CN110598746A (zh) | 一种基于ode求解器自适应的场景分类方法 | |
| Peng | Machines' perception of space | |
| CN115966010A (zh) | 一种基于注意力和多尺度特征融合的表情识别方法 | |
| CN115713605A (zh) | 一种基于图像学习的商业类建筑群自动建模方法 | |
| Perez et al. | Building typologies for urban fabric classification: Osaka and Marseille case studies | |
| CN112232885A (zh) | 一种基于多模态信息融合的仓租价格预测方法 | |
| JP7230288B1 (ja) | 学習モデル | |
| Wang et al. | Predicting the attractiveness of real-estate images by pairwise comparison using deep learning | |
| 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 | |
| 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 | |
| CN115471641A (zh) | 一种三维室内场景补全方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240115 Address after: 1308, 13th Floor, Shougang Sports Building, No. 6 Jinyuanzhuang Road, Shijingshan District, Beijing, 100043 Patentee after: BIM WINNER (BEIJING) TECHNOLOGY CO.,LTD. Address before: 100000 1308, 13th floor, Shougang sports building, No. 6, jinyuanzhuang Road, Shijingshan District, Beijing Patentee before: BIM WINNER (BEIJING) TECHNOLOGY CO.,LTD. Patentee before: BIM WINNER (SHANGHAI) TECHNOLOGY Co.,Ltd. Patentee before: SHENZHEN BIM WINNER TECHNOLOGY Co.,Ltd. Patentee before: Yingjia Internet (Beijing) Smart Technology Co.,Ltd. Patentee before: JIAXING WUZHEN YINGJIA QIANZHEN TECHNOLOGY Co.,Ltd. Patentee before: SHENZHEN QIANHAI YINGJIA DATA SERVICE Co.,Ltd. Patentee before: Foshan Yingjia Smart Space Technology Co.,Ltd. |