CN116363689A - 一种基于人工智能家具场景的户型图快速识别系统 - Google Patents

一种基于人工智能家具场景的户型图快速识别系统 Download PDF

Info

Publication number
CN116363689A
CN116363689A CN202310128309.8A CN202310128309A CN116363689A CN 116363689 A CN116363689 A CN 116363689A CN 202310128309 A CN202310128309 A CN 202310128309A CN 116363689 A CN116363689 A CN 116363689A
Authority
CN
China
Prior art keywords
house type
data
artificial intelligence
module
iteration
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
Application number
CN202310128309.8A
Other languages
English (en)
Inventor
陈俊
王冲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Aijia Household Products Co Ltd
Original Assignee
Jiangsu Aijia Household Products Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Aijia Household Products Co Ltd filed Critical Jiangsu Aijia Household Products Co Ltd
Priority to CN202310128309.8A priority Critical patent/CN116363689A/zh
Publication of CN116363689A publication Critical patent/CN116363689A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/42—Document-oriented image-based pattern recognition based on the type of document
    • G06V30/422—Technical drawings; Geographical maps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像识别技术领域，尤其为一种基于人工智能家具场景的户型图快速识别系统，包括：数据扫描模块：用于对户型图及对应深度进行扫描并记录，获得户型图数据；数据处理模块：用于对获取的户型图数据进行预处理操作；数据识别模块：通过FL‑XGBOOST算法对预处理后的户型图数据进行识别；分类提取模块：用于根据识别结果对扫描的户型图数据进行分类提取。本发明能够通过FL‑XGBOOST算法实现对户型图的各结构的自动识别，契合不同户型图的识别，并根据简化规则进行轮廓简化，对于包含复杂家具场景的户型图，能够通过轮廓深度快速判断户型图中各结构的轮廓，可以有效避免户型图中由于深度造成的其他轮廓的干扰的问题。

Description

一种基于人工智能家具场景的户型图快速识别系统
技术领域
本发明涉及图像识别技术领域，尤其是一种基于人工智能家具场景的户型图快速识别系统。
背景技术
伴随着图片成为互联网中的主要载体，难题随之出现，当信息由文字记载时，目前，人们可以通过关键词搜索，轻易找到所需要的内容并进行任意的编辑，而当信息是由图片进行记载时，例如户型图表示住房信息时，则存在一定的识别难度。现有技术中，通过识别算法对户型图进行拆分识别和建模，虽然可以有效提升户型图识别效率，但是仅针对于普通户型图具有良好的效果提升，对于添加了复杂家具场景的户型图，由于各构件的深度等问题，造成复杂构件识别困难增加，增加了识别消耗的时间。
发明内容
本发明的目的是通过提出一种基于人工智能家具场景的户型图快速识别系统，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供一种基于人工智能家具场景的户型图快速识别系统，包括：
数据扫描模块：用于对户型图及对应深度进行扫描并记录，获得户型图数据；
数据处理模块：用于对获取的户型图数据进行预处理操作；
数据识别模块：通过FL-XGBOOST算法对预处理后的户型图数据进行识别；
分类提取模块：用于根据识别结果对扫描的户型图数据进行分类提取。
作为本发明的一种优选技术方案：所述数据处理模块中的预处理操作包括图像滤波处理和图像增强处理。
作为本发明的一种优选技术方案：所述数据识别模块根据FL-XGBOOST算法对预处理后的户型图中的不同结构进行识别分类。
作为本发明的一种优选技术方案：所述数据识别模块根据数据扫描模块(100)扫描获取的户型图深度数据根据识别分类的不同结构的深度分别进行记录。
作为本发明的一种优选技术方案：所述FL-XGBOOST算法中，通过数据处理模块获取完整的户型图数据并进行训练，迭代计算FL损失并判断是否收敛；其中，训练时每一次迭代增加一棵决策树拟合上一次迭代过程中的真实值与预测值之间的FL残差。
作为本发明的一种优选技术方案：所述FL-XGBOOST算法中，构建目标函数O如下：
Figure BDA0004082971390000021
其中，L为FL残差的损失函数；Ω(fτ)为第τ∈[1,t]次迭代的决策树fτ对应的正则项；
将L展开得到：
Figure BDA0004082971390000022
其中，α为引入系数，用于调整户型图中不同结构在损失函数中的权重；β为聚焦稀疏系数，用于调整易分类结构和难分类结构的损失权重；
Figure BDA0004082971390000023
表示第i个户型图输入结构的最终预测结果；
将Ω(fi)展开得到：
Figure BDA0004082971390000024
其中，λ和γ为预设的超参数；j∈[1,T]为结点数；wj表示叶子结点j的权重向量；
新生成的决策树拟合上一迭代预测的残差，即第τ次迭代目标函数Oτ表示为：
Figure BDA0004082971390000025
其中，i∈[1,n]为样本数；fτ(xi)表示第i个户型图输入结构xi对应的第τ次迭代决策树；Ω(fk)为第k次迭代的决策树fk对应的正则项；
将目标函数中的损失函数使用泰勒二阶展开，引入正则项并去除常数项后得到：
Figure BDA0004082971390000026
其中，gi是损失函数关于
Figure BDA0004082971390000027
的一阶残差，hi是损失函数关于/>
Figure BDA0004082971390000028
的二阶残差；q表示映射关系，即每个数据样本对应的叶子结点，/>
Figure BDA0004082971390000029
表示第i个户型图输入结构对应的叶子结点对应的权重；
将所有户型图输入结构按照叶子结点进行分组得到：
Figure BDA00040829713900000210
其中，i∈[1,n]为样本数；j∈[1,T]为结点数；
经过r次迭代后，形成的决策树模型对第i个户型图输入结构的输出结果
Figure BDA0004082971390000031
为：
Figure BDA0004082971390000032
其中，fr表示第r次迭代后的决策树模型，r∈[1,K]表示迭代总次数；f表示函数空间F的一个函数。
作为本发明的一种优选技术方案：所述分类提取模块对扫描获取的户型图按照需求进行轮廓检测，并通过简化步骤对检测获取的轮廓点进行简化。
作为本发明的一种优选技术方案：所述简化步骤如下：
S1.1：定义曲线的起点A、终点B，并通过直线连接起点A和终点B，生成直线AB；
S1.2：遍历曲线上所有的点，计算离直线AB距离最大的点C，获得C点与直线AB的垂直距离b；
S1.3：设定阈值δ，比较距离b和阈值δ的大小，执行曲线AB的简化；
S1.4：：遍历户型图中所有曲线，重复执行S1.1-S1.3；
S1.5：当所有曲线都计算完毕后，依次连接各个分割点，形成折线，作为原曲线的近似表达。
作为本发明的一种优选技术方案：所述S1.3中，曲线AB的简化步骤如下：当距离b小于阈值δ时，以直线AB作为曲线的近似线段，结束曲线AB的简化；当距离b大于阈值δ时，通过点C将曲线分开，生成两段曲线AC和BC，并分别对两段曲线重新进行S1.1-S1.3的计算，直至生成的各个垂直距离均小于设定的阈值δ时，则结束S1.3。
作为本发明的一种优选技术方案：所述分类提取模块中，根据提取要求与结构深度对户型图数据进行分类提取。
本发明提供的基于人工智能家具场景的户型图快速识别系统，与现有技术相比，其有益效果有：
本发明能够通过FL-XGBOOST算法实现对各种户型图的各结构的自动识别，契合不同户型图的识别，改进目标函数的计算方式，进一步提高模型的精确度，并根据简化规则进行轮廓简化，对于包含复杂家具场景的户型图，保证用最少的点正确描述户型图上的轮廓，降低户型图的识别难度，提高户型图的识别效率，通过对应构件深度的识别，能够通过轮廓深度快速判断户型图中各结构的轮廓，可以有效避免户型图中由于深度造成的其他轮廓的干扰的问题。
附图说明
图1为本发明优选实施例的系统框图。
图中各个标记的意义为：100、图像扫描模块；200、图像处理模块；300、图像识别模块；400、图像识别模块。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，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。
参照图1，本发明优选实施例提供了一种基于人工智能家具场景的户型图快速识别系统，包括：
数据扫描模块100：用于对户型图及对应深度进行扫描并记录，获得户型图数据；
数据处理模块200：用于对获取的户型图数据进行预处理操作；
数据识别模块300：通过FL-XGBOOST算法对预处理后的户型图数据进行识别；
分类提取模块400：用于根据识别结果对扫描的户型图数据进行分类提取。
所述数据处理模块200中的预处理操作包括图像滤波处理和图像增强处理。
所述数据识别模块300根据FL-XGBOOST算法对输入的户型图中的不同结构进行识别分类。
所述数据识别模块300根据数据扫描模块扫描获取的户型图深度数据根据识别分类的不同结构的深度分别进行对应识别记录。
所述FL-XGBOOST算法中，通过数据处理模块200获取完整的户型图数据并进行训练，迭代计算FL损失并判断是否收敛；其中，训练时每一次迭代增加一棵决策树拟合上一次迭代过程中的真实值与预测值之间的FL残差。
所述FL-XGBOOST算法中，构建目标函数O如下：
Figure BDA0004082971390000041
其中，L为FL残差的损失函数；Ω(fτ)为第τ∈[1,t]次迭代的决策树fτ对应的正则项；
将L展开得到：
Figure BDA0004082971390000051
其中，α为引入系数，用于调整户型图中不同结构在损失函数中的权重；β为聚焦稀疏系数，用于调整易分类结构和难分类结构的损失权重；
Figure BDA0004082971390000052
表示第i个户型图输入结构的最终预测结果；
将Ω(fi)展开得到：
Figure BDA0004082971390000053
其中，λ和γ为预设的超参数；j∈[1,T]为结点数；wj表示叶子结点j的权重向量；
新生成的决策树拟合上一迭代预测的残差，即第τ次迭代目标函数Oτ表示为：
Figure BDA0004082971390000054
其中，i∈[1,n]为样本数；fτ(xi)表示第i个户型图输入结构xi对应的第τ次迭代决策树；Ω(fk)为第k次迭代的决策树fk对应的正则项；
将目标函数中的损失函数使用泰勒二阶展开，引入正则项并去除常数项后得到：
Figure BDA0004082971390000055
其中，gi是损失函数关于
Figure BDA0004082971390000056
的一阶残差，hi是损失函数关于/>
Figure BDA0004082971390000057
的二阶残差；q表示映射关系，即每个数据样本对应的叶子结点，/>
Figure BDA0004082971390000058
表示第i个户型图输入结构对应的叶子结点对应的权重；
将所有户型图输入结构按照叶子结点进行分组得到：
Figure BDA0004082971390000059
其中，i∈[1,n]为样本数；j∈[1,T]为结点数；
经过r次迭代后，形成的决策树模型对第i个户型图输入结构的输出结果
Figure BDA00040829713900000510
为：
Figure BDA00040829713900000511
其中，fr表示第r次迭代后的决策树模型，r∈[1,K]表示迭代总次数；f表示函数空间F的一个函数。
所述分类提取模块400对扫描获取的户型图按照需求进行轮廓检测，并通过简化步骤对检测获取的轮廓点进行简化。
所述简化步骤如下：
S1.1：定义曲线的起点A、终点B，并通过直线连接起点A和终点B，生成直线AB；
S1.2：遍历曲线上所有的点，计算离直线AB距离最大的点C，获得C点与直线AB的垂直距离b；
S1.3：设定阈值δ，比较距离b和阈值δ的大小，执行曲线AB的简化。
S1.4：：遍历户型图中所有曲线，重复执行S1.1-S1.3；
S1.5：当所有曲线都计算完毕后，依次连接各个分割点，形成折线，作为原曲线的近似表达。
所述S1.3中，当距离b小于阈值δ时，以直线AB作为曲线的近似线段，结束曲线AB的简化；当距离b大于阈值δ时，通过点C将曲线分开，生成两段曲线AC和BC，并分别对两段曲线重新进行S1.1-S1.3的计算，直至生成的各个垂直距离均小于设定的阈值δ时，则结束S1.3。
所述分类提取模块400中，根据提取要求与结构深度对户型图数据进行分类提取。
本实施例中，以包含人工智能家具场景的户型图为例，数据扫描模块100扫描包含人工智能家具场景的户型图，数据处理模块200对扫描的包含人工智能家具场景的户型图进行图像滤波处理和图像增强处理，以获得质量更高的户型图，数据识别模块300通过FL-XGBOOST算法对预处理后的包含人工智能家具场景的户型图进行识别，同时标明识别的户型图中的各个结构的深度，便于后续的操作。
设输入的第i个户型图输入结构xi为墙体，共用10个户型图输入结构,经过30次迭代后目标函数收敛，共有48个叶子结点；构建目标函数，结合新生成的决策树拟合上一迭代预测的残差，则第20次迭代目标函数O20表示为：
Figure BDA0004082971390000061
其中，i∈[1,n]为样本数；f20(xi)表示墙体对应的第20次迭代决策树；Ω(fk)为第k次迭代的决策树fk对应的正则项；
将目标函数中的损失函数使用泰勒二阶展开，引入正则项并去除常数项后得到：
Figure BDA0004082971390000071
其中，gi是损失函数关于
Figure BDA0004082971390000072
的一阶残差，hi是损失函数关于/>
Figure BDA0004082971390000073
的二阶残差；q表示映射关系，即每个数据样本对应的叶子结点，/>
Figure BDA0004082971390000074
表示墙体对应的叶子结点对应的权重；
30次迭代后，将所有户型图输入结构按照叶子结点进行分组得到：
Figure BDA0004082971390000075
经过30次迭代后，形成的决策树模型对墙体的输出结果
Figure BDA0004082971390000077
为：
Figure BDA0004082971390000076
其中，fr表示第r次迭代后的决策树模型；f表示函数空间F的一个函数。最终判断输出第i个户型图输入结构xi为墙体。同样根据以上步骤对输入的户型图的各类结构进行训练分类。
FL-XGBOOST算法为契合户型图的识别，改进目标函数的计算方式，进一步提高模型的精确度，并将目标函数的优化问题转化为求二次函数的最小值问题，利用损失函数的二阶导数信息训练决策树模型，同时将树复杂度作为正则化项加入到目标函数中，以提升模型的泛化能力。XGBoost模型中有多个超参数，选出对模型影响较大的超参数作为网格搜索法遍历寻优的参数，其余超参数为默认值。XGBoost算法是基于二阶泰勒展开式将损失函数展开，并且将正则项置于目标函数之外，这降低了模型的复杂度，更易于获得最优解，通过控制目标函数的不断下降，使得模型能够更好地收敛，有效避免过拟合，从而提高了预测准确率。该算法在训练前对数据进行预处理，将其结果保存，在后面的迭代中可以重复使用，从而降低计算复杂度，实现并行化，提高整体计算效率。
分类提取模块400根据图像识别模块300识别的户型图的各项结构及标明的结构对应的深度，根据需求提取轮廓图，并根据简化规则进行轮廓简化，保证用最少的点正确描述户型图上的轮廓，通过轮廓深度是判断户型图中各结构的轮廓，可以有效避免户型图中由于深度造成的其他轮廓的干扰的问题。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种基于人工智能家具场景的户型图快速识别系统，其特征在于：包括：
数据扫描模块(100)：用于对户型图及对应深度进行扫描并记录，获得户型图数据；
数据处理模块(200)：用于对获取的户型图数据进行预处理操作；
数据识别模块(300)：通过FL-XGBOOST算法对预处理后的户型图数据进行识别；
分类提取模块(400)：用于根据识别结果对户型图数据进行分类提取。
2.根据权利要求1所述的基于人工智能家具场景的户型图快速识别系统，其特征在于：所述数据处理模块(200)中的预处理操作包括图像滤波处理和图像增强处理。
3.根据权利要求1所述的基于人工智能家具场景的户型图快速识别系统，其特征在于：所述数据识别模块(300)根据FL-XGBOOST算法对预处理后的户型图数据中的不同结构进行识别分类。
4.根据权利要求3所述的基于人工智能家具场景的户型图快速识别系统，其特征在于：所述数据识别模块(300)根据数据扫描模块(100)扫描获取的户型图深度数据根据识别分类的不同结构的深度分别进行对应识别记录。
5.根据权利要求4所述的基于人工智能家具场景的户型图快速识别系统，其特征在于：所述FL-XGBOOST算法中，通过数据处理模块(200)获取完整的户型图数据并进行训练，迭代计算FL损失并判断是否收敛；其中，训练时每一次迭代增加一棵决策树拟合上一次迭代过程中的真实值与预测值之间的FL残差。
6.根据权利要求5所述的基于人工智能家具场景的户型图快速识别系统，其特征在于：所述FL-XGBOOST算法中，构建目标函数O如下：
Figure FDA0004082971370000011
其中，L为FL残差的损失函数；Ω(fτ)为第τ∈[1,t]次迭代的决策树fτ对应的正则项；
将L展开得到：
Figure FDA0004082971370000012
其中，α为引入系数，用于调整户型图中不同结构在损失函数中的权重；β为聚焦稀疏系数，用于调整易分类结构和难分类结构的损失权重；
Figure FDA0004082971370000013
表示第i个户型图输入结构的最终预测结果；
将Ω(fi)展开得到：
Figure FDA0004082971370000021
其中，λ和γ为预设的超参数；j∈[1,T]为结点数；wj表示叶子结点j的权重向量；
新生成的决策树拟合上一迭代预测的残差，即第τ次迭代目标函数Oτ表示为：
Figure FDA0004082971370000022
其中，i∈[1,n]为样本数；fτ(xi)表示第i个户型图输入结构xi对应的第τ次迭代决策树；Ω(fk)为第k次迭代的决策树fk对应的正则项；
将目标函数中的损失函数使用泰勒二阶展开，引入正则项并去除常数项后得到：
Figure FDA0004082971370000023
其中，gi是损失函数关于
Figure FDA0004082971370000024
的一阶残差，hi是损失函数关于/>
Figure FDA0004082971370000025
的二阶残差；q表示映射关系，即每个数据样本对应的叶子结点，/>
Figure FDA0004082971370000026
表示第i个户型图输入结构对应的叶子结点对应的权重；
将所有户型图输入结构按照叶子结点进行分组得到：
Figure FDA0004082971370000027
其中，i∈[1,n]为样本数；j∈[1,T]为结点数；
经过r次迭代后，形成的决策树模型对第i个户型图输入结构的输出结果
Figure FDA0004082971370000028
为：
Figure FDA0004082971370000029
其中，fr表示第r次迭代后的决策树模型，r∈[1,K]表示迭代总次数；f表示函数空间F的一个函数。
7.根据权利要求1所述的基于人工智能家具场景的户型图快速识别系统，其特征在于：所述分类提取模块(400)对扫描获取的户型图按照需求进行轮廓检测，并通过简化步骤对检测获取的轮廓点进行简化。
8.根据权利要求7所述的基于人工智能家具场景的户型图快速识别系统，其特征在于：所述简化步骤如下：
S1.1：定义曲线的起点A、终点B，并通过直线连接起点A和终点B，生成直线AB；
S1.2：遍历曲线上所有的点，计算离直线AB距离最大的点C，获得C点与直线AB的垂直距离b；
S1.3：设定阈值δ，比较距离b和阈值δ的大小，执行曲线AB的简化；
S1.4：遍历户型图中所有曲线，重复执行S1.1-S1.3；
S1.5：当所有曲线都计算完毕后，依次连接各个分割点，形成折线，作为原曲线的近似表达。
9.根据权利要求8所述的基于人工智能家具场景的户型图快速识别系统，其特征在于：所述S1.3中，曲线AB的简化步骤如下：当距离b小于阈值δ时，以直线AB作为曲线的近似线段，结束曲线AB的简化；当距离b大于阈值δ时，通过点C将曲线分开，生成两段曲线AC和BC，并分别对两段曲线重新进行S1.1-S1.3的计算，直至生成的各个垂直距离均小于设定的阈值δ时，则结束S1.3。
10.根据权利要求9所述的基于人工智能家具场景的户型图快速识别系统，其特征在于：所述分类提取模块(400)中，根据提取要求与结构深度对户型图数据进行分类提取。
CN202310128309.8A 2023-02-16 2023-02-16 一种基于人工智能家具场景的户型图快速识别系统 Pending CN116363689A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310128309.8A CN116363689A (zh) 2023-02-16 2023-02-16 一种基于人工智能家具场景的户型图快速识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310128309.8A CN116363689A (zh) 2023-02-16 2023-02-16 一种基于人工智能家具场景的户型图快速识别系统

Publications (1)

Publication Number Publication Date
CN116363689A true CN116363689A (zh) 2023-06-30

Family

ID=86916705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310128309.8A Pending CN116363689A (zh) 2023-02-16 2023-02-16 一种基于人工智能家具场景的户型图快速识别系统

Country Status (1)

Country Link
CN (1) CN116363689A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014089697A (ja) * 2012-10-05 2014-05-15 Fine Co Ltd 建築画像表示装置、建築画像表示方法及びコンピュータプログラム
US20190156122A1 (en) * 2017-11-17 2019-05-23 Adobe Inc. Intelligent digital image scene detection
CN111044988A (zh) * 2020-01-06 2020-04-21 青梧桐有限责任公司 一种激光雷达扫描户型图的精细化处理方法
CN111611643A (zh) * 2020-05-27 2020-09-01 电子科技大学中山学院 户型矢量化数据获得方法、装置、电子设备及存储介质
CN111814575A (zh) * 2020-06-12 2020-10-23 上海品览数据科技有限公司 一种基于深度学习和图像处理的户型图识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014089697A (ja) * 2012-10-05 2014-05-15 Fine Co Ltd 建築画像表示装置、建築画像表示方法及びコンピュータプログラム
US20190156122A1 (en) * 2017-11-17 2019-05-23 Adobe Inc. Intelligent digital image scene detection
CN111044988A (zh) * 2020-01-06 2020-04-21 青梧桐有限责任公司 一种激光雷达扫描户型图的精细化处理方法
CN111611643A (zh) * 2020-05-27 2020-09-01 电子科技大学中山学院 户型矢量化数据获得方法、装置、电子设备及存储介质
CN111814575A (zh) * 2020-06-12 2020-10-23 上海品览数据科技有限公司 一种基于深度学习和图像处理的户型图识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张蔚 等: "基于CNN的住宅平面图元素识别与布局语义分析", 中国体视学与图像分析, no. 02, pages 1 - 3 *
王改改: "【通俗易懂】XGBoost从入门到实战，非常详细", HTTPS://ZHUANLAN.ZHIHU.COM/P/258564378, pages 1 - 12 *
飞狗: "DP算法——道格拉斯-普克", HTTPS://ZHUANLAN.ZHIHU.COM/P/438689157, pages 1 - 4 *

Similar Documents

Publication Publication Date Title
CN108647577B (zh) 一种自适应难例挖掘的行人重识别方法与系统
CN110163258B (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
CN108399428B (zh) 一种基于迹比准则的三元组损失函数设计方法
CN113326731B (zh) 一种基于动量网络指导的跨域行人重识别方法
CN110188228B (zh) 基于草图检索三维模型的跨模态检索方法
CN110827398B (zh) 基于深度神经网络的室内三维点云自动语义分割方法
CN110210431B (zh) 一种基于点云语义标注和优化的点云分类方法
CN112116613B (zh) 图像矢量化方法及系统
CN114841257B (zh) 一种基于自监督对比约束下的小样本目标检测方法
CN113807420A (zh) 一种考虑类别语义匹配的域自适应目标检测方法及系统
CN108595558B (zh) 一种数据均衡策略和多特征融合的图像标注方法
CN110349170B (zh) 一种全连接crf级联fcn和k均值脑肿瘤分割算法
CN113488060B (zh) 一种基于变分信息瓶颈的声纹识别方法及系统
CN111353487A (zh) 用于变电站的设备信息提取方法
CN113920472B (zh) 一种基于注意力机制的无监督目标重识别方法及系统
CN110674326A (zh) 一种基于多项式分布学习的神经网络结构检索方法
CN108573241B (zh) 一种基于融合特征的视频行为识别方法
CN113269254A (zh) 一种粒子群优化XGBoost算法的煤矸识别方法
CN117152604A (zh) 一种建筑物轮廓的提取方法、装置、电子设备和存储介质
CN109597901B (zh) 一种基于生物数据的数据分析方法
CN113052136B (zh) 一种基于改进Faster RCNN的行人检测方法
CN111091129A (zh) 一种基于多重颜色特征流形排序的图像显著区域提取方法
CN113076920A (zh) 一种基于非对称域对抗自适应模型的智能故障诊断方法
CN116363689A (zh) 一种基于人工智能家具场景的户型图快速识别系统
CN117010503A (zh) 一种基于可调系数m矩阵逆的因果发现方法及系统

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