CN115221207B - 一种智能家居方案设计方法、系统、装置及存储介质 - Google Patents
一种智能家居方案设计方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN115221207B CN115221207B CN202210703091.XA CN202210703091A CN115221207B CN 115221207 B CN115221207 B CN 115221207B CN 202210703091 A CN202210703091 A CN 202210703091A CN 115221207 B CN115221207 B CN 115221207B
- Authority
- CN
- China
- Prior art keywords
- functional area
- functional
- scheme
- bounding box
- area object
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2425—Iterative querying; Query formulation based on the results of a preceding query
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能家居方案设计方法、系统、装置及存储介质。智能家居方案设计方法根据存有历史设计方案的数据库对下单方案进行数据解析以绘制空户型图,并将空户型图输入HRNet回归模型,进行功能区的位置和尺寸回归,从而不受空户型图缺乏局部像素特征的局限,提高了深度学习模型应用于智能家居方案设计方法的泛化能力和鲁棒性;通过查询第二数据库生成功能区候选集,进而从功能区候选集中选取第一功能区对象,并通过计算得到与第一功能区对象的低维度向量欧式距离最近的各类功能区对应的功能区对象,从而得到风格相近、语义搭配目标功能区对象组合及对应的家具组合,使得本发明得到的智能家居方案更贴近设计师设计的方案。
Description
技术领域
本申请涉及自动化设计技术领域,尤其是一种智能家居方案设计方法、系统、装置及存储介质。
背景技术
目前的家居定制软件的定制过程通常先由用户提供户型图,随后设计师根据用户提供的户型图,快速地设计出精美的家具设计方案,或者,通过智能设计方法自动完成家具设计方案。然而,一方面,设计师完成一个设计方案大约需要两小时,该设计方案既依靠设计师的专业水平,同时需要设计师熟悉现有的产品库。另一方面,目前的家具设计方案的智能设计方法只侧重于家具的类型和摆放位置,并未考虑家具之间的是否搭配,导致智能设计得到的家具设计方案与设计师人工设计的方案存在较大差距。因此,当前的智能家居方案设计模式难以满足家居定制行业的快销发展需求。
由于家居定制企业积累了大量精美的设计方案,这些设计方案蕴含了家居设计规范、用户基本需求和设计师的设计灵感,因此,目前智能设计方法趋向于采用深度学习的自动布局算法,通过学习历史设计方案的设计规律来快速、智能地生成家具设计方案。当前基于深度学习的自动布局算法大多基于物体检测的思路,要求输入的图像具有相对应的局部像素特征。然而家具设计任务的输入往往是墙体、门、窗构成的空户型图,局部像素特征有限,限制了深度学习的自动布局算法的泛化能力和鲁棒性。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此,本发明实施例的一个目的在于提供一种智能家居方案设计方法、系统、装置及存储介质,以提高智能家居方案设计方法的泛化能力和鲁棒性,并使得智能家居方案更贴近设计师设计的方案。
为了达到上述技术目的,本发明实施例所采取的技术方案包括:
一方面,本发明实施例提供了一种智能家居方案设计方法,包括以下步骤:
响应于接收到下单方案,根据第一数据库对所述下单方案进行数据解析,绘制空户型图,所述第一数据库为存储智能家居方案的历史设计方案的数据库;
将所述空户型图输入HRNet回归模型,获取功能区信息,所述功能区信息包括各个功能区的位置热力图和功能区尺寸,所述功能区为根据预设的功能区划分标准划分的各类室内功能区域;
根据所述功能区信息查询第二数据库,获取满足所述功能区尺寸的所有初始特征向量和对应的低维度向量,并根据满足所述功能区尺寸的所有初始特征向量生成功能区候选集,所述第二数据库用于保存经过Bert模型预训练的所述历史设计方案的各个所述功能区对应的初始特征向量和低维度向量,所述初始特征向量包括功能区类型、所述功能区尺寸、功能区花色、功能区风格和功能区左右前后是否靠墙;
从所述功能区候选集中选取一个功能区对象作为第一功能区对象,将所述功能区候选集中除所述第一功能区对象以外的其他功能区对象作为第一功能区对象集合;
按照所述功能区类型将所述第一功能区对象集合分为与所述功能区类型对应的多个功能区对象子集合;
从各个所述功能区对象子集合中获取第二功能区对象集合,并将所述第二功能区对象集合与所述第一功能区对象组成目标功能区对象组合,所述第二功能区对象集合为各个所述功能区对象子集合中低维度向量与所述第一功能区对象的低维度向量的欧氏距离最近的功能区对象组成的集合;
根据所述目标功能区对象组合获取家具组合,形成家居方案。
本发明实施例的一种智能家居方案设计方法,根据存有历史设计方案的第一数据库对下单方案进行数据解析以绘制空户型图,并将空户型图输入HRNet回归模型,进行功能区的位置和尺寸回归,从而不受空户型图缺乏局部像素特征的局限,提高了深度学习模型应用于智能家居方案设计方法的泛化能力和鲁棒性;通过根据功能区信息查询保存有经过Bert预训练得到的各功能区对应的初始特征向量和低维度向量的第二数据库,生成功能区候选集,进而从功能区候选集中选取第一功能区对象,并通过计算得到与第一功能区对象的低维度向量欧式距离最近的各类功能区对应的功能区对象,从而得到风格相近、语义搭配目标功能区对象组合及对应的家具组合,使得本发明实施例得到的智能家居方案更贴近设计师设计的方案,大大提高了智能家居方案设计方法可靠性和可用性。
另外,根据本发明上述实施例的一种智能家居方案设计方法,还可以具有以下附加的技术特征:
进一步地,本发明实施例的一种智能家居方案设计方法中,所述响应于接收到下单方案,根据第一数据库对所述下单方案进行数据解析,绘制空户型图,包括:
根据所述下单方案获取第一包围盒和第二包围盒,所述第一包围盒为世界坐标系下的二维AABB包围盒,所述第二包围盒为像素坐标系下的二维AABB包围盒;
根据所述第一包围盒和所述第二包围盒计算得到绘图比例;
根据所述下单方案和所述功能区划分标准进行功能区划分,生成第三包围盒,所述第三包围盒为像素坐标系下所述功能区对应的二维AABB包围盒;
根据所述第二包围盒和所述第三包围盒,采用所述绘图比例绘制所述空户型图。
进一步地,在本发明的一个实施例中,所述将所述空户型图输入HRNet回归模型,获取功能区信息,包括:
将所述空户型图输入HRNet回归模型,生成特征图;
对所述特征图进行中心点回归,输出所述位置热力图;
对所述特征图进行尺寸回归,输出所述功能区尺寸。
进一步地,在本发明的一个实施例中,所述方法还包括所述Bert模型的预训练,所述Bert模型的预训练包括:
从所述第一数据库中获取所述历史设计方案,并按照所述功能区划分标准对所述历史设计方案进行功能区划分;
根据经过功能区划分的所述历史设计方案构造所述初始特征向量;
按照所述功能区尺寸从大到小的顺序对所述初始特征向量进行排序;
将经过排序的所述初始特征向量输入所述Bert模型,按照15%的概率对所述初始特征向量中的任意一个特征进行掩膜,通过恢复所述初始特征向量作为监督信号进行自监督训练,得到所述初始特征向量对应的所述低维度向量;
将所述初始特征向量和对应的所述低维度向量保存至所述第二数据库。
另一方面,本发明实施例提出了一种智能家居方案设计系统,包括:
绘制模块,用于响应于接收到下单方案,根据第一数据库对所述下单方案进行数据解析,绘制空户型图,所述第一数据库为存储智能家居方案的历史设计方案的数据库;
第一获取模块,用于将所述空户型图输入HRNet回归模型,获取功能区信息,所述功能区信息包括各个功能区的位置热力图和功能区尺寸,所述功能区为根据预设的功能区划分标准划分的各类室内功能区域;
第二获取模块,用于根据所述功能区信息查询第二数据库,获取满足所述功能区尺寸的所有初始特征向量和对应的低维度向量,并根据满足所述功能区尺寸的所有初始特征向量生成功能区候选集,所述第二数据库用于保存经过Bert模型预训练的所述历史设计方案的各个所述功能区对应的初始特征向量和低维度向量,所述初始特征向量包括功能区类型、所述功能区尺寸、功能区花色、功能区风格和功能区左右前后是否靠墙;
功能区对象选取模块,用于从所述功能区候选集中选取一个功能区对象作为第一功能区对象,将所述功能区候选集中除所述第一功能区对象以外的其他功能区对象作为第一功能区对象集合;
子集合划分模块,用于按照所述功能区类型将所述第一功能区对象集合分为与所述功能区类型对应的多个功能区对象子集合;
目标功能区对象组合生成模块,用于从各个所述功能区对象子集合中获取第二功能区对象集合,并将所述第二功能区对象集合与所述第一功能区对象组成目标功能区对象组合,所述第二功能区对象集合为各个所述功能区对象子集合中低维度向量与所述第一功能区对象的低维度向量的欧氏距离最近的功能区对象组成的集合;
第三获取模块,用于根据所述目标功能区对象组合获取家具组合,形成家居方案。
进一步地,在本发明的一个实施例中,所述绘制模块包括:
第四获取模块,用于根据所述下单方案获取第一包围盒和第二包围盒,所述第一包围盒为世界坐标系下的二维AABB包围盒,所述第二包围盒为像素坐标系下的二维AABB包围盒;
计算模块,用于根据所述第一包围盒和所述第二包围盒计算得到绘图比例;
第一生成模块,用于根据所述下单方案和所述功能区划分标准进行功能区划分,生成第三包围盒,所述第三包围盒为像素坐标系下所述功能区对应的二维AABB包围盒;
所述绘制模块还用于根据所述第二包围盒和所述第三包围盒,采用所述绘图比例绘制所述空户型图。
进一步地,在本发明的一个实施例中,所述第一获取模块包括:
第二生成模块,用于将所述空户型图输入HRNet回归模型,生成特征图;
中心点回归模块,用于对所述特征图进行中心点回归,输出所述位置热力图;
尺寸回归模块,用于对所述特征图进行尺寸回归,输出所述功能区尺寸。
进一步地,在本发明的一个实施例中,所述系统还包括Bert模型预训练模块,所述Bert模型预训练模块包括:
功能区划分模块,用于从所述第一数据库中获取所述历史设计方案,并按照所述功能区划分标准对所述历史设计方案进行功能区划分;
初始特征向量构造模块,用于根据经过功能区划分的所述历史设计方案构造所述初始特征向量;
排序模块,用于按照所述功能区尺寸从大到小的顺序对所述初始特征向量进行排序;
低维度向量生成模块,用于将经过排序的所述初始特征向量输入所述Bert模型,按照15%的概率对所述初始特征向量中的任意一个特征进行掩膜,通过恢复所述初始特征向量作为监督信号进行自监督训练,得到所述初始特征向量对应的所述低维度向量;
保存模块,用于将所述初始特征向量和对应的所述低维度向量保存至所述第二数据库。
另一方面,本发明实施例提供了一种智能家居方案设计装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现所述的一种智能家居方案设计方法。
另一方面,本发明实施例提供了一种存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于实现所述的一种智能家居方案设计方法。
本发明的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到:
本发明实施例根据存有历史设计方案的第一数据库对下单方案进行数据解析以绘制空户型图,并将空户型图输入HRNet回归模型,进行功能区的位置和尺寸回归,从而不受空户型图缺乏局部像素特征的局限,提高了深度学习模型应用于智能家居方案设计方法的泛化能力和鲁棒性;通过根据功能区信息查询保存有经过Bert预训练得到的各功能区对应的初始特征向量和低维度向量的第二数据库,生成功能区候选集,进而从功能区候选集中选取第一功能区对象,并通过计算得到与第一功能区对象的低维度向量欧式距离最近的各类功能区对应的功能区对象,从而得到风格相近、语义搭配目标功能区对象组合及对应的家具组合,使得本发明实施例得到的智能家居方案更贴近设计师设计的方案,大大提高了智能家居方案设计方法可靠性和可用性。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案,下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本申请的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本发明一种智能家居方案设计方法具体实施例的流程示意图;
图2为本发明一种智能家居方案设计方法具体实施例的掩膜机制示意图;
图3为本发明一种智能家居方案设计方法具体实施例的初始特征向量示意图;
图4为本发明一种智能家居方案设计方法具体实施例的Bert模型预训练示意图;
图5为本发明一种智能家居方案设计系统具体实施例的结构示意图;
图6为本发明一种智能家居方案设计装置具体实施例的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”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它步骤或单元。
在本发明中提及“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发明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。
目前的家居定制软件的定制过程通常先由用户提供户型图,随后设计师根据用户提供的户型图,快速地设计出精美的家具设计方案,或者,通过智能设计方法自动完成家具设计方案。然而,一方面,设计师完成一个设计方案大约需要两小时,该设计方案既依靠设计师的专业水平,同时需要设计师熟悉现有的产品库。另一方面,目前的家具设计方案的智能设计方法只侧重于家具的类型和摆放位置,并未考虑家具之间的是否搭配,导致智能设计得到的家具设计方案与设计师人工设计的方案存在较大差距。因此,当前的智能家居方案设计模式难以满足家居定制行业的快销发展需求。
由于家居定制企业积累了大量精美的设计方案,这些设计方案蕴含了家居设计规范、用户基本需求和设计师的设计灵感,因此,目前智能设计方法趋向于采用深度学习的自动布局算法,通过学习历史设计方案的设计规律来快速、智能地生成家具设计方案。当前基于深度学习的自动布局算法大多基于物体检测的思路,要求输入的图像具有相对应的局部像素特征。然而家具设计任务的输入往往是墙体、门、窗构成的空户型图,局部像素特征有限,限制了深度学习的自动布局算法的泛化能力和鲁棒性。
为此,本发明提出了一种智能家居方案设计方法、系统、装置及存储介质。本发明实施例的智能家居方案设计方法根据存有历史设计方案的第一数据库对下单方案进行数据解析以绘制空户型图,并将空户型图输入HRNet回归模型,进行功能区的位置和尺寸回归,从而不受空户型图缺乏局部像素特征的局限,提高了深度学习模型应用于智能家居方案设计方法的泛化能力和鲁棒性;通过根据功能区信息查询保存有经过Bert预训练得到的各功能区对应的初始特征向量和低维度向量的第二数据库,生成功能区候选集,进而从功能区候选集中选取第一功能区对象,并通过计算得到与第一功能区对象的低维度向量欧式距离最近的各类功能区对应的功能区对象,从而得到风格相近、语义搭配目标功能区对象组合及对应的家具组合,使得本发明实施例得到的智能家居方案更贴近设计师设计的方案,大大提高了智能家居方案设计方法可靠性和可用性。
下面参照附图详细描述根据本发明实施例提出的一种智能家居方案设计方法、系统、装置及存储介质,首先将参照附图描述根据本发明实施例提出的一种智能家居方案设计方法。
参照图1,本发明实施例中提供一种智能家居方案设计方法,本发明实施例中的一种智能家居方案设计方法,可应用于终端中,也可应用于服务器中,还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等,但并不局限于此。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。本发明实施例中的一种智能家居方案设计方法主要包括以下步骤:
S101、响应于接收到下单方案,根据第一数在本发明的实施例中,依次选取各个子集合中低维度向量与第一功能区对象的低维度向量的欧氏距离最近的功能区对象,作为各类功能区选定的功能区对象,从而形成所述第二功能区对象集合,与第一功能区对象组成各类功能区据库对所述下单方案进行数据解析,绘制空户型图;
其中,所述第一数据库为存储智能家居方案的历史设计方案的数据库。可选地,历史设计方案包括由设计师根据用户户型建筑信息和用户需求进行设计得到的方案。
S101可以进一步划分为以下步骤S1011-S1014:
步骤S1011、根据所述下单方案获取第一包围盒和第二包围盒;
其中,所述第一包围盒为世界坐标系下的二维AABB(axis-aligned boundingbox)包围盒,所述第二包围盒为像素坐标系下的二维AABB包围盒。
可选地,根据下单数据获取建筑信息(建筑的墙体、门和窗),给予墙体、门和窗不同的颜色,以绘制固定分辨率(256*256)的空户型图。
具体地,首先获取建筑在世界坐标系下的二维AABB包围盒,即所述第一包围盒,第一包围盒的四点坐标为确定建筑在像素坐标系下的二维AABB包围盒,即所述第二包围盒,记为其中,像素坐标和世界坐标存在以下变换关系:
步骤S1012、根据所述第一包围盒和所述第二包围盒计算得到绘图比例;
具体地,在空户型图的绘制过程中,根据墙体的实际长度(通过第一包围盒获取)和墙体在像素坐标系下的长度(通过第二包围盒获取)计算得到绘图比例dpi,具体如下:
步骤S1013、根据所述下单方案和所述功能区划分标准进行功能区划分,生成第三包围盒;
其中,所述第三包围盒为像素坐标系下所述功能区对应的二维AABB包围盒。
具体地,本发明实施例的预测对象不是单个家具,而是依照包含家具布局的历史设计方案,根据预设的功能区划分标准将下单方案中建筑空间的家具归类,从而进行功能区划分,进而生成功能区对应的二维AABB包围盒,即第三包围盒。可选地,划分为五大功能区,包括视听区、会客区、就餐区、多功能家具区和玄关区。
步骤S1014、根据所述第二包围盒和所述第三包围盒,采用所述绘图比例绘制所述空户型图。
S102、将所述空户型图输入HRNet回归模型,获取功能区信息;
其中,所述功能区信息包括各个功能区的位置热力图和功能区尺寸,所述功能区为根据预设的功能区划分标准划分的各类室内功能区域。
具体地,在本发明的实施例中,以第三包围盒的中心点的二维像素坐标(xgt,ygt)生成二维的热力图heatmap(x,y):
其中,在本发明的实施例中,σ1/2为1。
将第三包围盒的长宽高(wp,dp,hp)作为HRNet回归模型的标签数据。其中,第三包围盒的长宽高基于像素坐标系,可通过步骤S1012得到的绘图比例dpi进行换算。
步骤S102可以进一步划分为以下步骤S1021-S1023:
步骤S1021、将所述空户型图输入HRNet回归模型,生成特征图;
具体地,将空户型图输入HRNet回归模型,生成特征图,将特征图作为head,并分为中心点回归分支和尺寸回归分支,学习第三包围盒(功能区对应的二维AABB包围盒)的位置和尺寸信息。
步骤S1022、对所述特征图进行中心点回归,输出所述位置热力图;
具体地,中心点回归分支的输出为[B,5,w′,h′]的位置热力图。其中,B代表batchsize,5代表功能区类型的数量,w′和h′表示位置热力图的分辨率。根据位置热力图和上述生成的二维的热力图heatmap(x,y)进行计算:
其中,pkij为预测热力图,ykij为标签热力图,τ=2,β=3。
进一步地,由于实际绘制的空户型图的户型结构各异,若用统一尺寸的图像表示会出现一定的空余像素(超出户型结构之外的像素),这些像素会严重影响HRnet模型学习关键点的位置。为此,在本发明实施例中增加了掩膜机制,如图2所示。在HRnet关键点回归学习中,仅对掩膜内的像素进行梯度回传。特别地,掩膜的像素坐标由空户型图的最小包围盒(即所述第三包围盒)坐标经过步骤S1011所述的矩阵T变换而来。
步骤S1023、对所述特征图进行尺寸回归,输出所述功能区尺寸。
其中,w0=1,w1=1,w2=0.2。
通过上述处理,强化了模型对功能区尺寸的学习,弱化了家具组合高度对模型的影响。
S103、根据所述功能区信息查询第二数据库,获取满足所述功能区尺寸的所有初始特征向量和对应的低维度向量,并根据满足所述功能区尺寸的所有初始特征向量生成功能区候选集;
其中,所述第二数据库用于保存经过Bert模型预训练的所述历史设计方案的各个所述功能区对应的初始特征向量和低维度向量,参照图3,所述初始特征向量包括功能区类型、所述功能区尺寸、功能区花色、功能区风格和功能区左右前后是否靠墙。可选地,对于功能区左右前后是否靠墙特征,0代表不靠墙,1代表靠墙。
具体地,确认接收到用户需求,根据所述用户需求和所述功能区信息,从所述数据库中获取所有符合所述功能区尺寸和所述用户需求的功能区对象作为所述功能区候选集;
确认没有接收到用户需求,根据所述功能区信息,从所述数据库中获取所有符合所述功能区尺寸的功能区对象作为所述功能区候选集。
在本发明的实施例中,通过Bert模型的预训练后输出低维度向量,若功能区之间的功能区风格越接近,该功能区对应的低维度向量之间的欧氏距离越小。
具体地,在本发明的实施例中,所述的一种智能家居方案设计方法还包括所述Bert模型的预训练,所述Bert模型的预训练包括:
1)从所述第一数据库中获取所述历史设计方案,并按照所述功能区划分标准对所述历史设计方案进行功能区划分;
2)根据经过功能区划分的所述历史设计方案构造所述初始特征向量;
3)按照所述功能区尺寸从大到小的顺序对所述初始特征向量进行排序;
4)将经过排序的所述初始特征向量输入所述Bert模型,按照15%的概率对所述初始特征向量中的任意一个特征进行掩膜,通过恢复所述初始特征向量作为监督信号进行自监督训练,得到所述初始特征向量对应的所述低维度向量。
具体地,参照图4,在本发明的实施例中,将初始特征向量中的某个特征按照15%的概率进行掩膜(mask),通过恢复所述初始特征向量作为监督信号进行自监督训练,得到所述初始特征向量对应的低维度向量。可选地,所述低维度向量的维度为10,所述初始特征向量中被mask的特征用-1填充。
在本发明的一个实施例中,通过一层共享的多层感知器(MLP)模型预测原始特征向量,以原始特征向量作为Bert模型自监督学习的标签。4)将所述初始特征向量和对应的所述低维度向量保存至所述第二数据库。
S104、从所述功能区候选集中选取一个功能区对象作为第一功能区对象,将所述功能区候选集中除所述第一功能区对象以外的其他功能区对象作为第一功能区对象集合;
S105、按照所述功能区类型将所述第一功能区对象集合分为与所述功能区类型对应的多个功能区对象子集合;
S106、从各个所述功能区对象子集合中获取第二功能区对象集合,并将所述第二功能区对象集合与所述第一功能区对象组成目标功能区对象组合;
其中,所述第二功能区对象集合为各个所述功能区对象子集合中低维度向量与所述第一功能区对象的低维度向量的欧氏距离最近的功能区对象组成的集合。
具体地,采用以下公式进行功能区对象之间的欧氏距离计算:
在本发明的实施例中,依次选取各个子集合中低维度向量与第一功能区对象的低维度向量的欧氏距离最近的功能区对象,作为各类功能区选定的功能区对象,从而形成所述第二功能区对象集合,与第一功能区对象组成各类功能区的目标功能区对象组合,得到风格相似的功能区组合。
可以理解的是,由于本发明实施例中随机选取一个功能区对象作为第一功能区对象,并通过步骤S104-S106得到目标功能区对象组合,可通过选取不同的第一功能区对象获取多个不同的目标功能区对象组合,实现智能家居设计的输出结果多样化,提升了用户的使用体验。
S107、根据所述目标功能区对象组合获取家具组合,形成家居方案。
具体地,据目标功能区对象组合获取家具组合,并进行家具摆放后形成最终的家居方案,完成智能家居设计。
根据步骤S101-S107所述可知,本发明实施例的一种智能家居方案设计方法,根据存有历史设计方案的第一数据库对下单方案进行数据解析以绘制空户型图,并将空户型图输入HRNet回归模型,进行功能区的位置和尺寸回归,从而不受空户型图缺乏局部像素特征的局限,提高了深度学习模型应用于智能家居方案设计方法的泛化能力和鲁棒性;通过根据功能区信息查询保存有经过Bert预训练得到的各功能区对应的初始特征向量和低维度向量的第二数据库,生成功能区候选集,进而从功能区候选集中选取第一功能区对象,并通过计算得到与第一功能区对象的低维度向量欧式距离最近的各类功能区对应的功能区对象,从而得到风格相近、语义搭配目标功能区对象组合及对应的家具组合,使得本发明实施例得到智能家居方案更贴近设计师设计的方案,大大提高了智能家居方案设计方法可靠性和可用性。
其次,参照附图描述根据本申请实施例提出的一种智能家居方案设计系统。
图5是本申请一个实施例的一种智能家居方案设计系统结构示意图。
所述系统具体包括:
绘制模块501,用于响应于接收到下单方案,根据第一数据库对所述下单方案进行数据解析,绘制空户型图,所述第一数据库为存储智能家居方案的历史设计方案的数据库;
第一获取模块502,用于将所述空户型图输入HRNet回归模型,获取功能区信息,所述功能区信息包括各个功能区的位置热力图和功能区尺寸,所述功能区为根据预设的功能区划分标准划分的各类室内功能区域;
第二获取模块503,用于根据所述功能区信息查询第二数据库,获取满足所述功能区尺寸的所有初始特征向量和对应的低维度向量,并根据满足所述功能区尺寸的所有初始特征向量生成功能区候选集,所述第二数据库用于保存经过Bert模型预训练的所述历史设计方案的各个所述功能区对应的初始特征向量和低维度向量,所述初始特征向量包括功能区类型、所述功能区尺寸、功能区花色、功能区风格和功能区左右前后是否靠墙;
功能区对象选取模块504,用于从所述功能区候选集中选取一个功能区对象作为第一功能区对象,将所述功能区候选集中除所述第一功能区对象以外的其他功能区对象作为第一功能区对象集合;
子集合划分模块505,用于按照所述功能区类型将所述第一功能区对象集合分为与所述功能区类型对应的多个功能区对象子集合;
目标功能区对象组合生成模块506,用于从各个所述功能区对象子集合中获取第二功能区对象集合,并将所述第二功能区对象集合与所述第一功能区对象组成目标功能区对象组合,所述第二功能区对象集合为各个所述功能区对象子集合中低维度向量与所述第一功能区对象的低维度向量的欧氏距离最近的功能区对象组成的集合;
第三获取模块507,用于根据所述目标功能区对象组合获取家具组合,形成家居方案。
进一步地,在本发明的一个实施例中,所述绘制模块包括:
第四获取模块,用于根据所述下单方案获取第一包围盒和第二包围盒,所述第一包围盒为世界坐标系下的二维AABB包围盒,所述第二包围盒为像素坐标系下的二维AABB包围盒;
计算模块,用于根据所述第一包围盒和所述第二包围盒计算得到绘图比例;
第一生成模块,用于根据所述下单方案和所述功能区划分标准进行功能区划分,生成第三包围盒,所述第三包围盒为像素坐标系下所述功能区对应的二维AABB包围盒;
所述绘制模块还用于根据所述第二包围盒和所述第三包围盒,采用所述绘图比例绘制所述空户型图。
进一步地,在本发明的一个实施例中,所述第一获取模块包括:
第二生成模块,用于将所述空户型图输入HRNet回归模型,生成特征图;
中心点回归模块,用于对所述特征图进行中心点回归,输出所述位置热力图;
尺寸回归模块,用于对所述特征图进行尺寸回归,输出所述功能区尺寸。
进一步地,在本发明的一个实施例中,
所述系统还包括Bert模型预训练模块,所述Bert模型预训练模块包括:
功能区划分模块,用于从所述第一数据库中获取所述历史设计方案,并按照所述功能区划分标准对所述历史设计方案进行功能区划分;
初始特征向量构造模块,用于根据经过功能区划分的所述历史设计方案构造所述初始特征向量;
排序模块,用于按照所述功能区尺寸从大到小的顺序对所述初始特征向量进行排序;
低维度向量生成模块,用于将经过排序的所述初始特征向量输入所述Bert模型,按照15%的概率对所述初始特征向量中的任意一个特征进行掩膜,得到所述初始特征向量对应的所述低维度向量;
保存模块,用于将所述初始特征向量和对应的所述低维度向量保存至所述第二数据库。
可见,上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图6,本申请实施例提供了一种智能家居方案设计装置,包括:
至少一个处理器601;
至少一个存储器602,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器601执行时,使得所述至少一个处理器601实现步骤S101-S107所述的一种智能家居方案设计方法。
同理,上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本申请的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本申请,但应当理解的是,除非另有相反说明,功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本申请的范围,本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能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介质中。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,包括若干程序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)执行本申请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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行程序的定序列表,可以具体实现在任何计算机可读介质中,以供程序执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从程序执行系统、装置或设备取程序并执行程序的系统)使用,或结合这些程序执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供程序执行系统、装置或设备或结合这些程序执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明,但本申请并不限于所述实施例,熟悉本领域的技术人员在不违背本申请精神的前提下还可做作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 (10)
1.一种智能家居方案设计方法,其特征在于,包括以下步骤:
响应于接收到下单方案,根据第一数据库对所述下单方案进行数据解析,绘制空户型图,所述第一数据库为存储智能家居方案的历史设计方案的数据库;
将所述空户型图输入HRNet回归模型,获取功能区信息,所述功能区信息包括各个功能区的位置热力图和功能区尺寸,所述功能区为根据预设的功能区划分标准划分的各类室内功能区域;
根据所述功能区信息查询第二数据库,获取满足所述功能区尺寸的所有初始特征向量和对应的低维度向量,并根据满足所述功能区尺寸的所有初始特征向量生成功能区候选集,所述第二数据库用于保存经过Bert模型预训练的所述历史设计方案的各个所述功能区对应的初始特征向量和低维度向量,所述初始特征向量包括功能区类型、所述功能区尺寸、功能区花色、功能区风格和功能区左右前后是否靠墙;
从所述功能区候选集中选取一个功能区对象作为第一功能区对象,将所述功能区候选集中除所述第一功能区对象以外的其他功能区对象作为第一功能区对象集合;
按照所述功能区类型将所述第一功能区对象集合分为与所述功能区类型对应的多个功能区对象子集合;
从各个所述功能区对象子集合中获取第二功能区对象集合,并将所述第二功能区对象集合与所述第一功能区对象组成目标功能区对象组合,所述第二功能区对象集合为各个所述功能区对象子集合中低维度向量与所述第一功能区对象的低维度向量的欧氏距离最近的功能区对象组成的集合;
根据所述目标功能区对象组合获取家具组合,形成家居方案。
2.根据权利要求1所述的一种智能家居方案设计方法,其特征在于,所述响应于接收到下单方案,根据第一数据库对所述下单方案进行数据解析,绘制空户型图,包括:
根据所述下单方案获取第一包围盒和第二包围盒,所述第一包围盒为世界坐标系下的二维AABB包围盒,所述第二包围盒为像素坐标系下的二维AABB包围盒;
根据所述第一包围盒和所述第二包围盒计算得到绘图比例;
根据所述下单方案和所述功能区划分标准进行功能区划分,生成第三包围盒,所述第三包围盒为像素坐标系下所述功能区对应的二维AABB包围盒;
根据所述第二包围盒和所述第三包围盒,采用所述绘图比例绘制所述空户型图。
3.根据权利要求2所述的一种智能家居方案设计方法,其特征在于,所述将所述空户型图输入HRNet回归模型,获取功能区信息,包括:
将所述空户型图输入HRNet回归模型,生成特征图;
对所述特征图进行中心点回归,输出所述位置热力图;
对所述特征图进行尺寸回归,输出所述功能区尺寸。
4.根据权利要求3所述的一种智能家居方案设计方法,其特征在于,还包括所述Bert模型的预训练,所述Bert模型的预训练包括:
从所述第一数据库中获取所述历史设计方案,并按照所述功能区划分标准对所述历史设计方案进行功能区划分;
根据经过功能区划分的所述历史设计方案构造所述初始特征向量;
按照所述功能区尺寸从大到小的顺序对所述初始特征向量进行排序;
将经过排序的所述初始特征向量输入所述Bert模型,按照15%的概率对所述初始特征向量中的任意一个特征进行掩膜,通过恢复所述初始特征向量作为监督信号进行自监督训练,得到所述初始特征向量对应的所述低维度向量;
将所述初始特征向量和对应的所述低维度向量保存至所述第二数据库。
5.一种智能家居方案设计系统,其特征在于,包括:
绘制模块,用于响应于接收到下单方案,根据第一数据库对所述下单方案进行数据解析,绘制空户型图,所述第一数据库为存储智能家居方案的历史设计方案的数据库;
第一获取模块,用于将所述空户型图输入HRNet回归模型,获取功能区信息,所述功能区信息包括各个功能区的位置热力图和功能区尺寸,所述功能区为根据预设的功能区划分标准划分的各类室内功能区域;
第二获取模块,用于根据所述功能区信息查询第二数据库,获取满足所述功能区尺寸的所有初始特征向量和对应的低维度向量,并根据满足所述功能区尺寸的所有初始特征向量生成功能区候选集,所述第二数据库用于保存经过Bert模型预训练的所述历史设计方案的各个所述功能区对应的初始特征向量和低维度向量,所述初始特征向量包括功能区类型、所述功能区尺寸、功能区花色、功能区风格和功能区左右前后是否靠墙;
功能区对象选取模块,用于从所述功能区候选集中选取一个功能区对象作为第一功能区对象,将所述功能区候选集中除所述第一功能区对象以外的其他功能区对象作为第一功能区对象集合;
子集合划分模块,用于按照所述功能区类型将所述第一功能区对象集合分为与所述功能区类型对应的多个功能区对象子集合;
目标功能区对象组合生成模块,用于从各个所述功能区对象子集合中获取第二功能区对象集合,并将所述第二功能区对象集合与所述第一功能区对象组成目标功能区对象组合,所述第二功能区对象集合为各个所述功能区对象子集合中低维度向量与所述第一功能区对象的低维度向量的欧氏距离最近的功能区对象组成的集合;
第三获取模块,用于根据所述目标功能区对象组合获取家具组合,形成家居方案。
6.根据权利要求5所述的一种智能家居方案设计系统,其特征在于,所述绘制模块包括:
第四获取模块,用于根据所述下单方案获取第一包围盒和第二包围盒,所述第一包围盒为世界坐标系下的二维AABB包围盒,所述第二包围盒为像素坐标系下的二维AABB包围盒;
计算模块,用于根据所述第一包围盒和所述第二包围盒计算得到绘图比例;
第一生成模块,用于根据所述下单方案和所述功能区划分标准进行功能区划分,生成第三包围盒,所述第三包围盒为像素坐标系下所述功能区对应的二维AABB包围盒;
所述绘制模块还用于根据所述第二包围盒和所述第三包围盒,采用所述绘图比例绘制所述空户型图。
7.根据权利要求6所述的一种智能家居方案设计系统,其特征在于,所述第一获取模块包括:
第二生成模块,用于将所述空户型图输入HRNet回归模型,生成特征图;
中心点回归模块,用于对所述特征图进行中心点回归,输出所述位置热力图;
尺寸回归模块,用于对所述特征图进行尺寸回归,输出所述功能区尺寸。
8.根据权利要求7所述的一种智能家居方案设计系统,其特征在于,还包括Bert模型预训练模块,所述Bert模型预训练模块包括:
功能区划分模块,用于从所述第一数据库中获取所述历史设计方案,并按照所述功能区划分标准对所述历史设计方案进行功能区划分;
初始特征向量构造模块,用于根据经过功能区划分的所述历史设计方案构造所述初始特征向量;
排序模块,用于按照所述功能区尺寸从大到小的顺序对所述初始特征向量进行排序;
低维度向量生成模块,用于将经过排序的所述初始特征向量输入所述Bert模型,按照15%的概率对所述初始特征向量中的任意一个特征进行掩膜,通过恢复所述初始特征向量作为监督信号进行自监督训练,得到所述初始特征向量对应的所述低维度向量;
保存模块,用于将所述初始特征向量和对应的所述低维度向量保存至所述第二数据库。
9.一种智能家居方案设计装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-4中任一项所述的一种智能家居方案设计方法。
10.一种存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-4中任一项所述的一种智能家居方案设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210703091.XA CN115221207B (zh) | 2022-06-21 | 2022-06-21 | 一种智能家居方案设计方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210703091.XA CN115221207B (zh) | 2022-06-21 | 2022-06-21 | 一种智能家居方案设计方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115221207A CN115221207A (zh) | 2022-10-21 |
CN115221207B true CN115221207B (zh) | 2023-04-11 |
Family
ID=83607707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210703091.XA Active CN115221207B (zh) | 2022-06-21 | 2022-06-21 | 一种智能家居方案设计方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115221207B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743009A (zh) * | 2021-08-31 | 2021-12-03 | 广州极点三维信息科技有限公司 | 基于表示学习的柜类智能设计方法、装置、设备及介质 |
WO2021244079A1 (zh) * | 2020-06-02 | 2021-12-09 | 苏州科技大学 | 智能家居环境中图像目标检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106484940B (zh) * | 2016-07-09 | 2018-07-13 | 陈志静 | 一种家居装饰智能设计方法和系统 |
US10956626B2 (en) * | 2019-07-15 | 2021-03-23 | Ke.Com (Beijing) Technology Co., Ltd. | Artificial intelligence systems and methods for interior design |
CN111091618B (zh) * | 2019-12-17 | 2020-08-28 | 吉林吉动盘古网络科技股份有限公司 | 基于户型数据驱动的组合式室内布局方法和系统 |
WO2021217340A1 (zh) * | 2020-04-27 | 2021-11-04 | Li Jianjun | 基于ai的通用智能家居方案自动化设计方法及装置 |
CN111651819A (zh) * | 2020-05-27 | 2020-09-11 | 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 |
CN113779674A (zh) * | 2021-09-01 | 2021-12-10 | 广州市圆方计算机软件工程有限公司 | 定制家居三维模型方案设计方法、装置、设备及存储介质 |
CN113705111B (zh) * | 2021-09-22 | 2024-04-26 | 百安居网络技术(上海)有限公司 | 一种基于深度学习的装修家具自动布局方法及系统 |
CN113849890A (zh) * | 2021-09-28 | 2021-12-28 | 上海岩柏建筑室内设计有限公司 | 一种室内装饰设计的二维和三维实时建模系统及方法 |
-
2022
- 2022-06-21 CN CN202210703091.XA patent/CN115221207B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021244079A1 (zh) * | 2020-06-02 | 2021-12-09 | 苏州科技大学 | 智能家居环境中图像目标检测方法 |
CN113743009A (zh) * | 2021-08-31 | 2021-12-03 | 广州极点三维信息科技有限公司 | 基于表示学习的柜类智能设计方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115221207A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503124A (zh) | 利用基于深度神经网络模型基于用户选择的视觉属性来标识视觉相似数字图像 | |
CN110503097A (zh) | 图像处理模型的训练方法、装置及存储介质 | |
CN111627065A (zh) | 一种视觉定位方法及装置、存储介质 | |
CN112215171B (zh) | 目标检测方法、装置、设备及计算机可读存储介质 | |
CN111310074B (zh) | 兴趣点的标签优化方法、装置、电子设备和计算机可读介质 | |
CN106845644A (zh) | 一种通过相互关系学习用户及移动应用的联系的异构网络 | |
CN110019650A (zh) | 提供搜索联想词的方法、装置、存储介质及电子设备 | |
CN114064926A (zh) | 多模态电力知识图谱构建方法、装置、设备及存储介质 | |
WO2023024413A1 (zh) | 信息的匹配方法、装置、计算机设备及可读存储介质 | |
CN115115846A (zh) | 户型布局的自动生成方法、装置、计算机设备及存储介质 | |
CN114706987A (zh) | 文本类目预测方法、装置、设备、存储介质和程序产品 | |
Zhao et al. | Tag-aware recommender system based on deep reinforcement learning | |
CN114741754A (zh) | 一种基于建筑图纸的房间区域识别方法及系统 | |
CN113822144A (zh) | 一种目标检测方法、装置、计算机设备和存储介质 | |
CN115221207B (zh) | 一种智能家居方案设计方法、系统、装置及存储介质 | |
CN109376344A (zh) | 表单的生成方法及终端设备 | |
CN117034963A (zh) | 模型训练方法、翻译方法、预估方法、推荐方法及装置 | |
CN110717405A (zh) | 人脸特征点定位方法、装置、介质及电子设备 | |
CN116957006A (zh) | 预测模型的训练方法、装置、设备、介质及程序产品 | |
CN115600017A (zh) | 特征编码模型训练方法及装置、媒体对象推荐方法及装置 | |
Wang et al. | A survey of personalized interior design | |
Wu et al. | Salient object detection via reliable boundary seeds and saliency refinement | |
CN115205301A (zh) | 基于特征空间多视角分析的影像分割方法和装置 | |
CN111709681B (zh) | 一种离散仓储选位方法 | |
Singh et al. | Effective key‐frame extraction approach using TSTBTC–BBA |
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 |