CN114283440A - 户型图识别方法、装置、电子设备及存储介质 - Google Patents
户型图识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114283440A CN114283440A CN202111452660.XA CN202111452660A CN114283440A CN 114283440 A CN114283440 A CN 114283440A CN 202111452660 A CN202111452660 A CN 202111452660A CN 114283440 A CN114283440 A CN 114283440A
- Authority
- CN
- China
- Prior art keywords
- house type
- type
- house
- graph
- outer edge
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种户型图识别方法、装置、电子设备及存储介质,首先获取待识别户型图;然后提取待识别户型图的户型外边缘特征以及户型关键区域特征,并基于户型外边缘特征以及户型关键区域特征,确定待识别户型图中的户型信息。在进行户型图识别时,并不需要人工参与,可以大大提高户型图的识别速度,降低时间成本以及人力成本。而且,通过提取户型外边缘特征以及户型关键区域特征等多模态特征,可以提升户型图识别的准确性。
Description
技术领域
本发明涉及人工智能识别技术领域,尤其涉及一种户型图识别方法、装置、电子设备及存储介质。
背景技术
随着经济发展和地产业的高速发展,人们对于住房需求日益提升,为了满足人们的住房需求,确定房屋的户型信息至关重要。
目前,通常需要工作人员手动从户型图中获取房屋的户型信息。这种方法不仅速度慢,增加了时间成本,而且由于需要工作人员具有较高的专业知识,这也大大增加了人力成本。
为此,现急需提供一种户型图识别方法。
发明内容
本发明提供一种户型图识别方法、装置、电子设备及存储介质,用以解决现有技术中存在的缺陷。
本发明提供一种户型图识别方法,包括:
获取待识别户型图;
提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息。
根据本发明提供的一种户型图识别方法,所述基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息,具体包括:
对所述户型外边缘特征以及所述户型关键区域特征进行融合,得到户型融合特征;
基于所述户型融合特征,确定所述户型信息。
根据本发明提供的一种户型图识别方法,所述户型关键区域特征包括户型局部边缘特征、户型全局特征和户型局部特征中的至少两项;
相应地,所述对所述户型外边缘特征以及所述户型关键区域特征进行融合,得到户型融合特征,具体包括:
对所述户型关键区域特征中的各特征进行融合,确定区域融合特征;
对所述区域融合特征、所述户型外边缘特征以及所述户型关键区域特征中的各特征进行融合,得到所述户型融合特征。
根据本发明提供的一种户型图识别方法,所述基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息,之前包括:
基于所述户型外边缘特征,确定户型外边缘信息;
基于所述户型外边缘信息,对所述待识别户型图进行去噪,得到去噪平面图;
对所述去噪平面图进行特征提取,得到所述户型全局特征。
根据本发明提供的一种户型图识别方法,所述户型信息包括户型外边缘信息、户型分割信息、户型分类信息以及所述户型分割信息对应的边缘信息中的至少一个。
根据本发明提供的一种户型图识别方法,所述提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息,具体包括:
将所述待识别户型图输入至户型图识别模型,基于所述户型图识别模型提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息;
其中,所述户型图识别模型基于携带有户型信息标签的户型图样本训练得到。
根据本发明提供的一种户型图识别方法,所述户型图识别模型包括用于提取所述户型外边缘特征的第一类支路,以及用于提取所述户型关键区域特征的第二类支路;
所述户型图识别模型基于如下步骤确定:
基于携带有户型外边缘信息标签的第一类户型图样本,对包含初始第一类支路的初始检测模型进行训练,得到所述第一类支路;
构建包含所述第一类支路和初始第二类支路的初始识别模型,并基于携带有户型分割信息标签、户型分类信息标签以及所述户型分割信息标签对应的边缘信息标签中的至少一个标签的第二类户型图样本,对所述初始识别模型进行训练,得到所述户型图识别模型。
本发明还提供一种户型图识别装置,包括:
户型图获取模块,用于获取待识别户型图;
户型图识别模块,用于提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息。
本发明还提供一种电子设备,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程序,所述处理器执行所述程序时实现如上述任一种所述户型图识别方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述户型图识别方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述户型图识别方法的步骤。
本发明提供的户型图识别方法、装置、电子设备及存储介质,首先获取待识别户型图;然后提取待识别户型图的户型外边缘特征以及户型关键区域特征,并基于户型外边缘特征以及户型关键区域特征,确定待识别户型图中的户型信息。在进行户型图识别时,并不需要人工参与,可以大大提高户型图的识别速度,降低时间成本以及人力成本。而且,通过提取户型外边缘特征以及户型关键区域特征等多模态特征,可以提升户型图识别的准确性。
附图说明
为了更清楚地说明本发明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,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1是本发明提供的户型图识别方法的流程示意图;
图2是本发明提供的户型图识别方法中户型关键区域的外边缘点为外边缘的少数几个关键点的情况;
图3是本发明提供的户型图识别方法中户型关键区域的外边缘点为外边缘的所有关键点的情况;
图4是本发明提供的户型图识别方法中得到去噪平面图的示意图;
图5是本发明提供的户型图识别方法中户型图识别模型的结构示意图;
图6是本发明提供的户型图识别装置的结构示意图;
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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做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。
目前,在获取房屋的户型信息时,通常需要工作人员手动从户型图中获取房屋的户型信息,尤其对于老旧房屋而言,其只有纸质文档资料,因此只能通过工作人员人工获取房屋的户型信息。这种方法不仅速度慢,增加了时间成本,而且由于需要工作人员具有较高的专业知识,这也大大增加了人力成本。为此,本发明实施例中提供一种户型图识别方法。
图1为本发明实施例中提供的一种户型图识别方法的流程示意图,如图1所示,该方法包括:
S1,获取待识别户型图;
S2,提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息。
具体地,本发明实施例中提供的户型图识别方法,其执行主体为户型图识别装置,该装置可以配置于服务器内,该服务器可以是本地服务器,也可以是云端服务器,本地服务器具体可以是计算机、平板电脑以及智能手机等,本发明实施例中对此不作具体限定。
首先执行步骤S1,获取待识别户型图,该待识别户型图是指需要确定其内包含的户型信息的户型图。待识别户型图通常可以包括蓝图、白图、扫描图及CAD图等。在待识别户型图内,通常包含有一个楼层内的所有户型区域和公共区域,公共区域通常被各户型区域包围。除此之外,在待识别户型图中还可能包含有各户型区域以及公共区域的尺寸信息、绘制人员信息等噪声信息。
然后执行步骤S2,对待识别户型图进行特征提取,确定待识别户型图中的户型外边缘特征以及户型关键区域特征。其中,户型外边缘特征是指待识别户型图中户型关键区域的边缘特征,该户型关键区域是指待识别户型图中所有户型区域和公共区域共同形成的区域,因此户型外边缘特征可以是待识别户型图中所有户型区域的外边缘特征。此处,户型外边缘特征可以通过待识别户型图中所有户型区域的外边缘点特征进行表征。
户型关键区域特征是指待识别户型图中户型关键区域的区域特征,可以包括户型局部边缘特征、户型全局特征和户型局部特征中的至少一项,户型局部边缘特征是指各户型区域的边缘特征,户型全局特征是指户型关键区域的全局特征,户型局部特征是指各户型区域的区域特征,也即户型关键区域中的局部特征。
本发明实施例中,特征提取的过程可以理解为是特征编码的过程,可以通过神经网络模型实现,该神经网络模型可以是卷积神经网络模型、深度神经网络模型等,还可以在神经网络模型中引入注意力机制,以使得到的特征均为注意力特征,此处不作具体限定。在应用神经网络模型进行特征提取之前,需要对初始神经网络模型进行训练,使训练得到的神经网络模型具有特征提取功能。除此之外,还可以采用稀疏矩阵、主成分分析等方法进行特征提取。
此处,提取户型关键区域特征中的户型局部边缘特征时,可以先将待识别户型图转换为二值平面图,然后对二值平面图进行特征提取,得到户型局部边缘特征。提取户型关键区域特征中的户型全局特征时,可以先将待识别户型图进行去噪,仅保留待识别户型图中的户型关键区域,得到去噪平面图,然后对去噪平面图进行特征提取,得到户型全局特征。
在提取出户型外边缘特征以及户型关键区域特征之后,可以结合户型外边缘特征以及户型关键区域特征,确定待识别户型图中的户型信息。户型信息是指待识别户型图中携带的户型相关信息,例如可以包括户型分割信息、户型分类信息以及户型分割信息对应的边缘信息中的至少一个。户型分割信息可以是待识别户型图中各户型区域对应的分割结果,该分割结果可以是对待识别户型图进行分割得到各户型区域的概率图。该分割结果可以与待识别户型图大小一致,且仅保留有用区域,无用区域填充黑色。
户型分类信息可以是待识别户型图中各户型区域对应的户型类别,例如三室一厅、三室两厅、两室两厅等。户型分割信息对应的边缘信息是指待识别户型图中各户型区域对应的边缘信息,可以是各边缘点的坐标信息,也可以是各边缘点顺次连接得到的边缘线。
其中,户型分类信息以及户型分割信息对应的边缘信息均可以理解为是高层语义表征。
本发明实施例中,可以通过户型外边缘特征以及户型关键区域特征,得到户型信息。此处,可以预先根据户型图样本构建户型外边缘特征、户型关键区域特征与户型信息之间的对应关系,进而可以根据待识别户型图的户型外边缘特征以及户型关键区域特征,结合上述对应关系,得到户型信息。除此之外,还可以通过对户型外边缘特征以及户型关键区域特征进行融合解码,得到户型信息。其中,融合解码的过程也可以通过神经网络模型实现,此处不作具体限定。
本发明实施例中提供的户型图识别方法,首先获取待识别户型图;然后提取待识别户型图的户型外边缘特征以及户型关键区域特征,并基于户型外边缘特征以及户型关键区域特征,确定待识别户型图中的户型信息。在进行户型图识别时,并不需要人工参与,可以大大提高户型图的识别速度,降低时间成本以及人力成本。而且,通过提取户型外边缘特征以及户型关键区域特征等多模态特征,可以提升户型图识别的准确性。
在上述实施例的基础上,本发明实施例中提供的型图识别方法,所述基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息,具体包括:
对所述户型外边缘特征以及所述户型关键区域特征进行融合,得到户型融合特征;
基于所述户型融合特征,确定所述户型信息。
具体地,本发明实施例中,在根据户型外边缘特征以及户型关键区域特征确定待识别户型图中的户型信息时,可以先对户型外边缘特征以及户型关键区域特征进行融合,得到户型融合特征。由于户型关键区域特征包括户型局部边缘特征、户型全局特征和户型局部特征中的至少一项,因此在进行特征融合时,既可以是户型外边缘特征与户型局部边缘特征、户型全局特征或户型局部特征的融合,也可以是户型外边缘特征与户型局部边缘特征、户型全局特征和户型局部特征中的任意两项进行融合,还可以是户型外边缘特征、户型局部边缘特征、户型全局特征和户型局部特征共同进行融合。
特征融合可以直接通过加权求和的方式实现,也可以通过神经网络模型实现,该神经网络模型可以是卷积神经网络模型、深度神经网络模型等,此处不作具体限定。此处,特征融合可以是将特征按通道进行拼接融合。
然后,根据特征融合得到的户型融合特征,确定户型信息。该过程也可以是特征解码的过程,可以通过神经网络模型对户型融合特征进行解码,进而得到由神经网络模型输出的户型信息。
本发明实施例中,通过对户型外边缘特征以及户型关键区域特征进行融合,进而根据得到的户型融合特征确定户型信息,可以提高户型信息的精度和准确度。
在上述实施例的基础上,本发明实施例中提供的户型图识别方法,所述户型关键区域特征包括户型局部边缘特征、户型全局特征和户型局部特征中的至少两项;
相应地,所述对所述户型外边缘特征以及所述户型关键区域特征进行融合,得到户型融合特征,具体包括:
对所述户型关键区域特征中的各特征进行融合,确定区域融合特征;
对所述区域融合特征、所述户型外边缘特征以及所述户型关键区域特征中的各特征进行融合,得到所述户型融合特征。
具体地,户型关键区域特征可以包括户型局部边缘特征、户型全局特征和户型局部特征中的至少两项,既可以是户型局部边缘特征、户型全局特征和户型局部特征中的任意两项的组合,也可以是户型局部边缘特征、户型全局特征和户型局部特征三项的组合。
在此基础上,在融合得到户型融合特征时,可以进行两次融合,即可以先对户型关键区域特征中的各特征进行融合,确定区域融合特征,然后再对区域融合特征、户型外边缘特征以及户型关键区域特征中的各特征进行融合,得到户型融合特征。如此可以进一步保证户型信息的精度和准确度。
在上述实施例的基础上,本发明实施例中提供的户型图识别方法,所述户型信息包括户型外边缘信息、户型分割信息、户型分类信息以及所述户型分割信息对应的边缘信息中的至少一个。
具体地,本发明实施例中,户型信息中包括的信息可以根据需要进行选择户型外边缘信息、户型分割信息、户型分类信息以及户型分割信息对应的边缘信息中的至少一个,如此可以满足用户对多种户型信息的需求,提高用户体验感。
在上述实施例的基础上,本发明实施例中提供的户型图识别方法,所述基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息,之前包括:
基于所述户型外边缘特征,确定户型外边缘信息;
基于所述户型外边缘信息,对所述待识别户型图进行去噪,得到去噪平面图;
对所述去噪平面图进行特征提取,得到所述户型全局特征。
具体地,本发明实施例中,在确定户型关键区域特征中的户型全局特征时,可以先根据户型外边缘特征,确定出户型外边缘信息。该户型外边缘信息可以是户型关键区域的外边缘信息,可以包括户型关键区域的各外边缘点、各外边缘点的坐标信息以及各外边缘点顺次连接得到的外边缘线等。此处,可以通过对户型边缘特征进行解码得到户型外边缘信息。
其中,外边缘点的数量不定,可以是外边缘的少数几个关键点,也可以是外边缘的所有关键点,关键点越多,所需计算量就越大。反之,关键点越少,所需计算量就越小。图2为户型关键区域的外边缘点为外边缘的少数几个关键点的情况,图3为户型关键区域的外边缘点为外边缘的所有关键点的情况。
在得到户型关键区域的各外边缘点的坐标信息时,可以先获取各外边缘点的高斯热图,然后取各高斯热图上的最大值的点坐标即为高斯热图对应的外边缘点的坐标信息。
然后,根据户型外边缘信息,对待识别户型图进行去噪。此处,可以先将待识别户型图与户型外边缘信息进行融合,即可以根据户型外边缘信息,将待识别户型图进行分割,得到待识别户型图中的户型关键区域,即得到去噪平面图。可以理解的是,外边缘点的数量越多,获得的户型关键区域就越准确。反之,外边缘点的数量越少,获得的户型关键区域就越粗糙,所需计算量就越小。图4为得到去噪平面图的示意图,图4中“+”表示融合,“=”表示得到融合结果,“+”左侧的图像表示待识别户型图,“+”右侧的图像表示户型外边缘信息,“=”右侧的图像表示融合结果,即去噪平面图。
最后通过对去噪平面图的编码和解码,即可得到户型全局特征。
本发明实施例中,先通过户型外边缘特征确定的户型外边缘信息对待识别户型图进行去噪,进而快速提取到户型全局特征,提高户型图识别的效率,降低时间成本。
在上述实施例的基础上,本发明实施例中提供的户型图识别方法,所述提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息,具体包括:
将所述待识别户型图输入至户型图识别模型,基于所述户型图识别模型提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息;
其中,所述户型图识别模型基于携带有户型信息标签的户型图样本训练得到。
具体地,本发明实施例中,在执行步骤S2时,可以利用神经网络模型实现,通过神经网络模型进行特征提取以及户型信息的确定。此处,神经网络模型可以是户型图识别模型,将待识别户型图输入中户型图识别模型中,即可通过户型图识别模型输出待识别户型图中的户型信息。
此处,户型图识别模型可以通过携带有户型信息标签的户型图样本训练得到。户型信息标签可以包括户型分割信息标签、户型分类信息标签以及户型分割信息标签对应的边缘信息标签。除此之外,户型信息标签还可以包括户型外边缘信息标签。
本发明实施例中,采用户型图识别模型确定待识别户型图中的户型信息,可以大大提高户型图识别效率,降低计算量。
在上述实施例的基础上,本发明实施例中提供的户型图识别方法,所述户型图识别模型包括用于提取所述户型外边缘特征的第一类支路,以及用于提取所述户型关键区域特征的第二类支路;
所述户型图识别模型基于如下步骤确定:
基于携带有户型外边缘信息标签的第一类户型图样本,对包含初始第一类支路的初始检测模型进行训练,得到所述第一类支路;
构建包含所述第一类支路和初始第二类支路的初始识别模型,并基于携带有户型分割信息标签、户型分类信息标签以及所述户型分割信息标签对应的边缘信息标签中的至少一个标签的第二类户型图样本,对所述初始识别模型进行训练,得到所述户型图识别模型。
具体地,本发明实施例中,户型图识别模型可以包括第一类支路以及第二类支路,其中第一类支路用于提取所述户型外边缘特征,还可以用于基于户型外边缘特征,确定户型外边缘信息。第二类支路用于提取户型关键区域特征,还可以用于基于户型外边缘特征以及户型关键区域特征,确定待识别户型图中的户型信息。
相应地,户型信息标签可以包括户型外边缘信息标签,以及户型分割信息标签、户型分类信息标签和户型分割信息对应的边缘信息标签中的至少一个标签。其中,携带有户型外边缘信息标签的户型图样本可以记为第一类户型图样本,携带有户型分割信息标签、户型分类信息标签和户型分割信息对应的边缘信息标签中的至少一个标签的户型图样本可以记为第二类户型图样本。
因此,在得到户型图识别模型的训练过程中,可以分两个阶段进行。第一阶段,可以基于第一类户型图样本,对包含初始第一类支路的初始检测模型进行训练,得到第一类支路。此处,初始第一类支路是指训练之前的第一类支路,初始检测模型是指以初始第一类支路为核心的模型,需要对其进行训练使其具有检测户型外边缘信息的功能,经过训练后,可以得到检测模型,该检查模型中包含的第一类支路记为训练后得到的第一类支路。此训练阶段中可以采用均方差损失函数计算梯度值,并进行反馈训练,直至初始检测模型收敛。
第二阶段,可以构建包含第一类支路和初始第二类支路的初始识别模型。此处,初始第二类支路是指训练之前的第二类支路,初始识别模型是指以第一类支路以及初始第二类支路为核心的模型,需要对其进行训练使其具有识别户型信息的功能。然后,结合第二类户型图样本,可以对初始识别模型进行训练,经过训练后,可以得到最终的户型识别模型。此训练阶段中可以采用角度空间的arcface距离损失函数、均方差损失函数以及交叉熵损失函数中的至少一个,计算梯度值,并进行反馈训练,直至初始识别模型收敛。
本发明实施例中,通过两阶段训练,在第一阶段训练后,可以直接利用第一阶段训练得到的第一类支路,大大缩短第二阶段的训练时间,降低训练成本。
图5为本发明实施例中提供的户型图识别模型的结构示意图,如图5所示,第一类支路可以包括第一输入支路和第一输出支路,第二类支路可以包括第二输入支路、第三输入支路和第四输入支路中的至少一个,以及第二输出支路、第三输出支路以及第四输出支路中的至少一个。第二类支路还包括第一融合单元和第二融合单元。
通过第一输入支路,提取待识别户型图的户型外边缘特征;
通过第一输出支路,基于户型外边缘特征,确定户型外边缘信息;
通过第二输入支路,基于注意力机制,提取户型关键区域特征中的户型全局特征;
通过第三输入支路,基于注意力机制,提取户型关键区域特征中的户型局部特征;
通过第四输入支路,基于注意力机制,提取户型关键区域特征中的户型局部边缘特征。
通过第一融合单元,对户型局部边缘特征、户型全局特征以及户型局部特征中的至少两项进行融合,得到备选融合结果;
通过第二融合单元,对备选融合结果、户型外边缘特征以及户型局部边缘特征、户型全局特征以及户型局部特征中的至少两项进行融合,得到户型融合特征;
通过第二输出支路,基于所述户型融合特征,确定待识别户型图的户型分割信息;
通过第三输出支路,基于所述户型融合特征,确定待识别户型图的户型分类信息;
通过第四输出支路,基于所述户型融合特征,确定待识别户型图的户型分割信息对应的边缘信息。
其中,第一输入支路、第二输入支路、第三输入支路以及第四输入支路均可以包括不同的编码器和卷积模块,第一输出支路以及第二输入支路均可以包括由多个反卷积层组成的解码器,第三输出支路以及第四输出支路均可以包括卷积层和多个全连接层。
需要说明的是,户型图识别模型还包括第三融合单元,通过第三融合单元可以对待识别户型图以及户型外边缘信息进行融合,得到去噪平面图,进而可以将去噪平面图输入至第二输入支路,通过第二输入支路基于注意力机制,提取户型关键区域特征中的户型全局特征。
户型图识别模型还包括二值化层,通过二值化层可以对待识别户型图进行二值化处理,得到二值平面图,进而可以将二值平面图输入至第四输入支路,通过第四输入支路基于注意力机制,提取户型关键区域特征中的户型局部边缘特征。
在上述实施例的基础上,第二输出支路可以基于度量学习方法,采用角度空间的arcface距离损失函数;第三输出支路可以采用交叉熵损失函数;第四输出支路可以采用均方差损失函数。
在两个训练阶段结束之后,还可以包括测试阶段。在测试阶段,可以将一个户型图样本输入至户型图识别模型,经过户型图识别模型后,由第二输出支路得到分割概率图,经过argmax函数输出逐像素分类结果,即户型图样本的户型分割信息。由第三输出支路得到高层语义表征,该表征通过简单的距离度量或结合机器学习分类算法,输出户型图样本的户型分类信息。由第四输出支路得到各户型区域的边缘点,通过每个边缘点的高斯热图,再取各高斯热图上的最大值的点坐标即为对应的边缘点的坐标信息。此处,在测试阶段,第一输出支路无需输出结果。
本发明实施例中,采用不同损失函数进行训练得到户型图识别模型,可以避免因损失函数的选取对户型图识别模型的准确性产生影响。
如图6所示,在上述实施例的基础上,本发明实施例中提供了一种户型图识别装置,包括:
户型图获取模块61,用于获取待识别户型图;
户型图识别模块62,用于提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息。
在上述实施例的基础上,本发明实施例中提供的户型图识别装置,所述户型图识别模块,具体包括:
融合子模块,用于对所述户型外边缘特征以及所述户型关键区域特征进行融合,得到户型融合特征;
识别子模块,用于基于所述户型融合特征,确定所述户型信息。
在上述实施例的基础上,本发明实施例中提供的户型图识别装置,所述户型关键区域特征包括户型局部边缘特征、户型全局特征和户型局部特征中的至少两项;
相应地,所述融合子模块,具体用于:
对所述户型关键区域特征中的各特征进行融合,确定区域融合特征;
对所述区域融合特征、所述户型外边缘特征以及所述户型关键区域特征中的各特征进行融合,得到所述户型融合特征。
在上述实施例的基础上,本发明实施例中提供的户型图识别装置,所述户型信息包括户型外边缘信息、户型分割信息、户型分类信息以及所述户型分割信息对应的边缘信息中的至少一个。
在上述实施例的基础上,本发明实施例中提供的户型图识别装置,还包括户型关键区域特征确定模块,用于:
基于所述户型外边缘特征,确定户型外边缘信息;
基于所述户型外边缘信息,对所述待识别户型图进行去噪,得到去噪平面图;
对所述去噪平面图进行特征提取,得到所述户型全局特征。
在上述实施例的基础上,本发明实施例中提供的户型图识别装置,所述户型图识别模块,具体用于:
将所述待识别户型图输入至户型图识别模型,基于所述户型图识别模型提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息;
其中,所述户型图识别模型基于携带有户型信息标签的户型图样本训练得到。
在上述实施例的基础上,本发明实施例中提供的户型图识别装置,所述户型图识别模型包括用于提取所述户型外边缘特征的第一类支路,以及用于提取所述户型关键区域特征的第二类支路;
所述户型图识别模型基于如下步骤确定:
基于携带有户型外边缘信息标签的第一类户型图样本,对包含初始第一类支路的初始检测模型进行训练,得到所述第一类支路;
构建包含所述第一类支路和初始第二类支路的初始识别模型,并基于携带有户型分割信息标签、户型分类信息标签以及所述户型分割信息标签对应的边缘信息标签中的至少一个标签的第二类户型图样本,对所述初始识别模型进行训练,得到所述户型图识别模型。
具体地,本发明实施例中提供的户型图识别装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的,实现的效果也是一致的,具体参见上述实施例,本发明实施例中对此不再赘述。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行上述各实施例中提供的户型图识别方法,该方法包括:获取待识别户型图;提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息。
此外,上述的存储器730中的逻辑指令可以通过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介质中。基于这样的理解,本发明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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各实施例中提供的户型图识别方法,该方法包括:获取待识别户型图;提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例中提供的户型图识别方法,该方法包括:获取待识别户型图;提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息。
以上所描述的装置实施例仅仅是示意性的,其中所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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种户型图识别方法,其特征在于,包括:
获取待识别户型图;
提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息。
2.根据权利要求1所述的户型图识别方法,其特征在于,所述基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息,具体包括:
对所述户型外边缘特征以及所述户型关键区域特征进行融合,得到户型融合特征;
基于所述户型融合特征,确定所述户型信息。
3.根据权利要求2所述的户型图识别方法,其特征在于,所述户型关键区域特征包括户型局部边缘特征、户型全局特征和户型局部特征中的至少两项;
相应地,所述对所述户型外边缘特征以及所述户型关键区域特征进行融合,得到户型融合特征,具体包括:
对所述户型关键区域特征中的各特征进行融合,确定区域融合特征;
对所述区域融合特征、所述户型外边缘特征以及所述户型关键区域特征中的各特征进行融合,得到所述户型融合特征。
4.根据权利要求3所述的户型图识别方法,其特征在于,所述基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息,之前包括:
基于所述户型外边缘特征,确定户型外边缘信息;
基于所述户型外边缘信息,对所述待识别户型图进行去噪,得到去噪平面图;
对所述去噪平面图进行特征提取,得到所述户型全局特征。
5.根据权利要求1-4中任一项所述的户型图识别方法,其特征在于,所述户型信息包括户型外边缘信息、户型分割信息、户型分类信息以及所述户型分割信息对应的边缘信息中的至少一个。
6.根据权利要求1-4中任一项所述的户型图识别方法,其特征在于,所述提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息,具体包括:
将所述待识别户型图输入至户型图识别模型,基于所述户型图识别模型提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息;
其中,所述户型图识别模型基于携带有户型信息标签的户型图样本训练得到。
7.根据权利要求6所述的户型图识别方法,其特征在于,所述户型图识别模型包括用于提取所述户型外边缘特征的第一类支路,以及用于提取所述户型关键区域特征的第二类支路;
所述户型图识别模型基于如下步骤确定:
基于携带有户型外边缘信息标签的第一类户型图样本,对包含初始第一类支路的初始检测模型进行训练,得到所述第一类支路;
构建包含所述第一类支路和初始第二类支路的初始识别模型,并基于携带有户型分割信息标签、户型分类信息标签以及所述户型分割信息标签对应的边缘信息标签中的至少一个标签的第二类户型图样本,对所述初始识别模型进行训练,得到所述户型图识别模型。
8.一种户型图识别装置,其特征在于,包括:
户型图获取模块,用于获取待识别户型图;
户型图识别模块,用于提取所述待识别户型图的户型外边缘特征以及户型关键区域特征,并基于所述户型外边缘特征以及所述户型关键区域特征,确定所述待识别户型图中的户型信息。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述户型图识别方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述户型图识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111452660.XA CN114283440A (zh) | 2021-12-01 | 2021-12-01 | 户型图识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111452660.XA CN114283440A (zh) | 2021-12-01 | 2021-12-01 | 户型图识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114283440A true CN114283440A (zh) | 2022-04-05 |
Family
ID=80870423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111452660.XA Pending CN114283440A (zh) | 2021-12-01 | 2021-12-01 | 户型图识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114283440A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973297A (zh) * | 2022-06-17 | 2022-08-30 | 广州市圆方计算机软件工程有限公司 | 一种平面户型图的墙体区域识别方法、系统、设备及介质 |
-
2021
- 2021-12-01 CN CN202111452660.XA patent/CN114283440A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973297A (zh) * | 2022-06-17 | 2022-08-30 | 广州市圆方计算机软件工程有限公司 | 一种平面户型图的墙体区域识别方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11195007B2 (en) | Classification of piping and instrumental diagram information using machine-learning | |
CN111008597B (zh) | Cad图纸的空间识别方法、装置、电子设备及存储介质 | |
CN110569899B (zh) | 坝面缺陷分类模型训练方法及装置 | |
CN111862092A (zh) | 一种基于深度学习的快递外包装缺陷检测方法及装置 | |
CN114399769B (zh) | 文本识别模型的训练方法、文本识别方法及装置 | |
CN111488826A (zh) | 一种文本识别方法、装置、电子设备和存储介质 | |
CN110503103B (zh) | 一种基于全卷积神经网络的文本行中的字符切分方法 | |
CN111931859B (zh) | 一种多标签图像识别方法和装置 | |
CN113723330B (zh) | 一种图表文档信息理解的方法及系统 | |
EP3776335A2 (en) | Classification of piping and instrumental diagram information using machine-learning | |
CN116385584A (zh) | 海报的生成方法、装置、系统及计算机可读存储介质 | |
CN114283440A (zh) | 户型图识别方法、装置、电子设备及存储介质 | |
CN114445826A (zh) | 视觉问答方法、装置、电子设备以及存储介质 | |
CN114429636A (zh) | 图像扫描识别方法、装置及电子设备 | |
CN113537187A (zh) | 文本识别方法、装置、电子设备及可读存储介质 | |
CN114707017B (zh) | 视觉问答方法、装置、电子设备和存储介质 | |
CN115690816A (zh) | 一种文本要素提取方法、装置、设备和介质 | |
CN114782720A (zh) | 文案的配图确定方法、装置、电子设备、介质及程序产品 | |
CN114863450A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113822275A (zh) | 一种图像语种识别方法及其相关设备 | |
CN116110070A (zh) | 通信工程图纸识别方法及装置 | |
CN113344946A (zh) | 基于机器学习的安检图像违禁品检测方法、装置及介质 | |
CN112733670A (zh) | 指纹特征提取方法、装置、电子设备及存储介质 | |
CN110909737A (zh) | 图片文字识别方法及系统 | |
CN117456290B (zh) | 缺陷分类方法和装置、电子设备以及存储介质 |
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 |