CN116824132A - 平面图分割方法、装置及电子设备 - Google Patents
平面图分割方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116824132A CN116824132A CN202310542385.3A CN202310542385A CN116824132A CN 116824132 A CN116824132 A CN 116824132A CN 202310542385 A CN202310542385 A CN 202310542385A CN 116824132 A CN116824132 A CN 116824132A
- Authority
- CN
- China
- Prior art keywords
- dual
- graph
- feature
- vector
- vertex
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000011218 segmentation Effects 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 370
- 230000009977 dual effect Effects 0.000 claims abstract description 281
- 238000013528 artificial neural network Methods 0.000 claims abstract description 157
- 238000010586 diagram Methods 0.000 claims description 66
- 230000004931 aggregating effect Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012633 leachable Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种平面图分割方法、装置及电子设备，属于图像处理技术领域，所述方法包括：获取待分割的室内平面图室内平面矢量图对应的特征数据，基于室内平面矢量图中的二维几何线段构建室内平面矢量图对应的无向图及对偶图；将无向图的特征数据及对偶图的特征数据输入到双流图神经网络，得到双流图神经网络输出的无向图对应的边界线分类标签及对偶图对应的对偶顶点分类标签；基于边界线分类标签及对偶顶点分类标签对待分割的室内平面矢量图进行分割，得到室内平面矢量图的分割结果；如此，本发明通过使用预先训练好的双流图神经网络对待分割的室内平面矢量图进行自动分割，此过程无需依赖人工，提高了分割效率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种平面图分割方法、装置及电子设备。
背景技术
目前，企业搬迁更换办公场所，个人住宅搬迁更换居住场所时，通常需要场所进行装修设计，由于场所的使用者通常不具备设计能力，因此需要设计公司帮助进行设计。
相关技术中，通常是场所的使用者向设计公司提供场所的室内平面矢量图，设计公司中的工作人员手动对室内平面矢量图纸的内部结构进行分割，然后再由相关人员基于分割的内部结构进行设计。
然而，对室内平面矢量图的内部结构进行分割的过程是一个耗费人力且繁琐的过程，效率低下。
发明内容
针对现有技术存在的问题，本发明实施例提供一种平面图分割方法、装置及电子设备。
第一方面，本发明提供一种平面图分割方法，包括：
获取待分割的室内平面矢量图，基于所述室内平面矢量图中的二维几何线段构建所述室内平面矢量图对应的无向图及对偶图；
将所述无向图的特征数据及所述对偶图的特征数据输入到双流图神经网络，得到所述双流图神经网络输出的所述无向图对应的边界线分类标签及所述对偶图对应的对偶顶点分类标签；
基于所述边界线分类标签及所述对偶顶点分类标签对所述待分割的室内平面矢量图进行分割，得到所述室内平面矢量图的分割结果；
其中，所述双流图神经网络是基于标注了边界线分类真实标签的目标无向图及标注了对偶顶点真实分类标签的目标对偶图训练的，所述边界线分类真实标签及所述对偶顶点真实分类标签是基于所述目标无向图及所述目标对偶图对应的目标室内平面矢量图中标注的房间标签得到的。
在一些实施例中，所述无向图的特征数据包括所述无向图中的边的特征嵌入向量及所述无向图中的顶点的特征嵌入向量，所述对偶图的特征数据包括所述对偶图中的对偶边的特征嵌入向量及所述对偶图中的对偶顶点的特征嵌入向量，所述将所述无向图的特征数据及所述对偶图的特征数据输入到双流图神经网络之前，还包括：
生成所述待分割的室内平面矢量图对应的光栅图像；
获取所述无向图中的边的特征嵌入向量及所述对偶图中的对偶边的特征嵌入向量；
获取所述光栅图像中的像素点的图像特征向量，基于所述图像特征向量获取所述无向图中的顶点的特征嵌入向量及所述对偶图中的对偶顶点的特征嵌入向量。
在一些实施例中，所述基于所述图像特征向量获取所述无向图中的顶点的特征嵌入向量，包括：
获取所述无向图中的顶点的几何特征向量；
基于所述顶点的几何特征向量与所述顶点在所述光栅图像中匹配的所述像素点的图像特征向量进行顶点嵌入，得到所述顶点的特征嵌入向量。
在一些实施例中，所述基于所述图像特征向量获取所述对偶图中的对偶顶点的特征嵌入向量，包括：
确定所述对偶图中的对偶顶点在所述无向图中匹配的子图；
基于所述子图中的所述顶点的几何特征向量，获取所述对偶顶点的几何特征向量；
对所述子图进行三角剖分，得到多个不重叠的三角形区域；
确定所述三角形区域中的采样点的几何特征向量；
基于所述子图中的所述顶点的几何特征向量，所述子图中的所述顶点的特征嵌入向量及所述采样点的几何特征向量，得到所述子图对应的所述对偶顶点的特征嵌入向量。
在一些实施例中，所述双流图神经网络包括两个并行的第一图神经网络及第二图神经网络；
所述将所述无向图的特征数据及所述对偶图的特征数据输入到双流图神经网络，得到所述双流图神经网络输出的所述无向图对应的边界线分类标签及所述对偶图对应的对偶顶点分类标签，包括：
将所述顶点的特征嵌入向量、所述边的特征嵌入向量及对偶边的目标特征嵌入向量，输入所述第一图神经网络，得到所述第一图神经网络输出的所述无向图对应的边界线分类标签，所述对偶边的目标特征嵌入向量是将所述对偶边的特征嵌入向量输入至所述第二图神经网络中更新得到的；
将所述对偶顶点的特征嵌入向量、所述对偶边的特征嵌入向量及边的目标特征嵌入向量，输入所述第二图神经网络，得到所述第二图神经网络输出的所述对偶图对应的对偶顶点分类标签，所述边的目标特征嵌入向量是将所述边的特征嵌入向量输入至所述第一图神经网络中更新得到的。
在一些实施例中，所述将所述顶点的特征嵌入向量、所述边的特征嵌入向量及对偶边的目标特征嵌入向量，输入所述第一图神经网络，得到所述第一图神经网络输出的所述无向图对应的边界线分类标签，包括：
通过所述第一图神经网络中的GAT层及所述第一图神经网络中的MLP层聚合所述顶点的特征嵌入向量及对偶边的目标特征嵌入向量，得到目标顶点特征向量；
通过所述第一图神经网络中的GAT层及所述第二图神经网络中的MLP层聚合所述边的特征嵌入向量，得到目标边特征向量；
将所述目标边特征向量及所述目标顶点特征向量输入至所述第一图神经网络的分类器中，得到所述第一图神经网络的分类器输出的所述无向图对应的边界线分类标签。
在一些实施例中，所述将所述对偶顶点的特征嵌入向量、所述对偶边的特征嵌入向量及边的目标特征嵌入向量，输入所述第二图神经网络，得到所述第二图神经网络输出的所述对偶图对应的对偶顶点分类标签，包括：
通过所述第二图神经网络中的GAT层及所述第二图神经网络中的MLP层聚合所述对偶顶点的特征嵌入向量及边的目标特征嵌入向量，得到目标对偶顶点特征向量；
通过所述第二图神经网络中的GAT层及所述第二图神经网络中的MLP层聚合所述对偶边的特征嵌入向量，得到目标对偶边特征向量；
将所述目标对偶边特征向量及所述目标对偶顶点特征向量输入至所述第二图神经网络中的分类器中，得到所述分类器输出的所述对偶图对应的对偶顶点分类标签。
第二方面，本发明还提供一种平面图分割装置，包括：
构建模块，用于获取待分割的室内平面图室内平面矢量图对应的特征数据，基于所述室内平面矢量图中的二维几何线段构建所述室内平面矢量图对应的无向图及对偶图获取待分割的室内平面图对应的特征数据；
预测模块，用于将所述无向图的特征数据及所述对偶图的特征数据输入到双流图神经网络，得到所述双流图神经网络输出的所述无向图对应的边界线分类标签及所述对偶图对应的对偶顶点分类标签将所述特征数据输入图神经网络，得到所述图神经网络输出的边线分类标签及顶点分类标签；
分割模块，用于基于所述边线分类标签边界线分类标签及所述顶点分类标签对偶顶点分类标签对所述待分割的室内平面图室内平面矢量图进行分割，得到所述室内平面图室内平面矢量图的分割结果；
其中，所述双流图神经网络是基于标注了边界线分类真实标签的目标无向图及标注了对偶顶点真实分类标签的目标对偶图训练的，所述边界线分类真实标签及所述对偶顶点真实分类标签是基于所述目标无向图及所述目标对偶图对应的目标室内平面矢量图中标注的房间标签得到的。
第三方面，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平面图分割方法。
第四方面，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如上述任一种所述平面图分割方法。
本发明提供的平面图分割方法、装置及电子设备，通过获取待分割的室内平面图室内平面矢量图对应的特征数据，基于室内平面矢量图中的二维几何线段构建室内平面矢量图对应的无向图及对偶图；将无向图的特征数据及对偶图的特征数据输入到双流图神经网络，得到双流图神经网络输出的无向图对应的边界线分类标签及对偶图对应的对偶顶点分类标签；基于边界线分类标签及对偶顶点分类标签对待分割的室内平面矢量图进行分割，得到室内平面矢量图的分割结果，如此，本发明通过使用预先训练好的双流图神经网络对待分割的室内平面矢量图进行自动分割，此过程无需依赖人工，提高了分割效率。
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一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的平面图分割方法的流程示意图之一；
图2是本发明提供的待分割的室内平面矢量图的示意图；
图3是本发明提供的构建室内平面矢量图的无向图及对偶图的流程示意图；
图4是本发明提供的室内平面矢量图的分割效果的场景示意图；
图5是本发明提供的获取对偶图中的对偶顶点的特征嵌入向量的流程示意图；
图6是本发明提供的使用双流图神经网络进行图像分割的流程示意图；
图7是本发明提供的平面图分割方法的流程示意图之二；
图8是本发明提供的平面图分割装置的结构示意图；
图9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。
下面将结合附图详细描述本发明的技术方案。图1是本发明提供的平面图分割方法的流程示意图之一，该方法中各步骤的执行主体可以是平面图分割装置，该装置可通过软件和/或硬件实现，该装置可集成在电子设备中，电子设备可以是终端设备(如智能手机、个人电脑、学习机等)，也可以是服务器(如本地服务器或云端服务器，也可以为服务器集群等)，也可以是处理器，也可以是芯片等。如图1所示，该方法可以包括如下步骤：
步骤101，获取待分割的室内平面图室内平面矢量图对应的特征数据，基于所述室内平面矢量图中的二维几何线段构建所述室内平面矢量图对应的无向图及对偶图；
需要说明的是，本实施例中，待分割的室内平面矢量图为矢量图，矢量图是根据几何特性来绘制图形，矢量可以是一个点或一条线，如图2所示，待分割的室内平面矢量图中包括一组代表墙壁结构的二维几何线段以及一些代表其他结构的圆弧。
在一个示例中，待分割的室内平面矢量图可以通过CAD矢量设计文件的形式输入，输入的CAD矢量设计文件中包括但不限于原始的室内平面矢量图、原始面积图、平面布局图等。
本实施例中，先对待分割的室内平面矢量图进行图像转换处理，如图3，先提取室内平面矢量图(a)中的二维几何线段及相应的顶点，得到相应的点线图(b)，之后延长点线图(b)中的二维几何线段，以将室内平面矢量图(a)划分成为不重叠的多边形区域，得到相应的无向图(c1)以及相应的对偶图(c2)。
具体地，无向图被定为G＝{V,ε}，其中V表示顶点集，ε表示边集，顶点集V中的顶点vk的坐标为二维坐标，边集ε中的边eij是顶点vi和顶点vj之间的边，其表示为其中，/>为边eij与x轴之间的夹角，/>用于表征边eij是为原始线段还是延伸线段，其取值包括0或1，在一个示例中，在/>取值0时，可以将其视为延伸线段，在/>取值1时，可以将其视为原始线段。
具体地，对偶图被定义为G*＝{V*,ε*}，其中,V*表示对偶顶点集，ε*表示对偶边集，对偶顶点v*∈V*在对偶图中表示多边形区域，它对应于一个来源于无向图G的子图在一个示例中，可以将无向图G的子图中的所有的顶点的二维坐标的平均值作为该子图匹配的对偶顶点/>的二维坐标。对偶边/>是对偶顶点/>和对偶顶点/>之间的边，其表示对偶顶点/>对应的无向图G的子图与对偶顶点/>对应的无向图G的子图处于相邻关系。
步骤102，将所述无向图的特征数据及所述对偶图的特征数据输入到双流图神经网络，得到所述双流图神经网络输出的所述无向图对应的边界线分类标签及所述对偶图对应的对偶顶点分类标签；
本实施例中，双流图神经网络是基于标注了边界线分类真实标签的目标无向图及标注了对偶顶点真实分类标签的目标对偶图训练的，边界线分类真实标签及对偶顶点真实分类标签是基于目标无向图及目标对偶图对应的目标室内平面矢量图中标注的房间标签得到的。
其中，真实语义类别标签包括但不限于墙、门、窗、卧室、阳台、大厅、厨房、其他房间等。
本实施例中，在对无向图和对偶图进行特征提取后，将提取到的无向图的特征数据及对偶图的特征数据一并输入到双流图神经网络，通过双流图神经网络分别输出无向图中的各条边界线分类标签及对偶图中的各个对偶顶点分类标签。
步骤103，基于所述边界线分类标签及所述对偶顶点分类标签对所述待分割的室内平面矢量图进行分割，得到所述室内平面矢量图的分割结果；
本实施例中，在得到边界线分类标签及对偶顶点分类标签后，将边界线分类标签作为分割房间区域的依据，由于相同类别的对偶顶点表征其在无向图中所对应的区域属于同一类别的区域，因此本实施例中将对偶顶点分类标签作为不同类型房间顶点分类的依据，并结合通过其他网络模型生成的室内平面矢量图语义分割，将室内平面矢量图分割为符合语义特征的多个多边形区域，如图4所示，将室内平面矢量图分割成7个多边形区域，每一个多边形区域代表一种类型的房间。
本发明提供的平面图分割方法，通过获取待分割的室内平面图室内平面矢量图对应的特征数据，基于室内平面矢量图中的二维几何线段构建室内平面矢量图对应的无向图及对偶图；将无向图的特征数据及对偶图的特征数据输入到双流图神经网络，得到双流图神经网络输出的无向图对应的边界线分类标签及对偶图对应的对偶顶点分类标签；基于边界线分类标签及对偶顶点分类标签对待分割的室内平面矢量图进行分割，得到室内平面矢量图的分割结果，如此，本发明通过使用预先训练好的双流图神经网络对待分割的室内平面矢量图进行自动分割，此过程无需依赖人工，提高了分割效率。
在一些实施例中，所述无向图的特征数据包括所述无向图中的边的特征嵌入向量及所述无向图中的顶点的特征嵌入向量，所述对偶图的特征数据包括所述对偶图中的对偶边的特征嵌入向量及所述对偶图中的对偶顶点的特征嵌入向量，所述将所述无向图的特征数据及所述对偶图的特征数据输入到双流图神经网络之前，还包括：
生成所述待分割的室内平面矢量图对应的光栅图像；
获取所述无向图中的边的特征嵌入向量及所述对偶图中的对偶边的特征嵌入向量；
获取所述光栅图像中的像素点的图像特征向量，基于所述图像特征向量获取所述无向图中的顶点的特征嵌入向量及所述对偶图中的对偶顶点的特征嵌入向量。
本实施例中，室内平面矢量图对应的光栅图像是通过对室内平面矢量图进行栅格化得到的。
本实施例中，在获取无向图中的各个顶点的坐标的特征向量后，对其进行坐标编码，得到相应的正弦位置编码，之后基于正弦位置编码得到无向图中的各边的特征嵌入向量
具体地，
其中，We,Wθ为可学习的投影矩阵，为顶点vi对应的正弦位置编码，/>为顶点vj对应的正弦位置编码，/>为边eij与x轴之间的夹角，/>用于表征边eij是为原始线段还是延伸线段。
在获取对偶图中的各个对偶顶点的坐标的特征向量后，对其进行坐标编码，得到相应的正弦位置编码，之后基于正弦位置编码得到对偶图中的各对偶边的特征嵌入向量
具体地，
其中，We*为可学习的投影矩阵，为对偶顶点/>对应的正弦位置编码，/>为对偶顶点/>对应的正弦位置编码。
进一步地，本实施例中，为了提高预测结果的精准性，将光栅图像中的像素点的图像特征向量作为附加特征向量，与无向图中的顶点的特征向量及对偶图中的对偶顶点的特征向量进行融合，得到无向图中的顶点的特征嵌入向量及对偶图中的对偶顶点的特征嵌入向量。
本发明提供的平面图分割方法，通过生成所述待分割的室内平面矢量图对应的光栅图像；获取所述无向图中的边的特征嵌入向量及所述对偶图中的对偶边的特征嵌入向量；获取所述光栅图像中的像素点的图像特征向量，基于所述图像特征向量获取所述无向图中的顶点的特征嵌入向量及所述对偶图中的对偶顶点的特征嵌入向量，如此通过结合光栅图像中的图像特征向量提取出四个不同维度的特征嵌入向量进行图像分割，提高了使用双流图神经网络对待分割的室内平面矢量图进行自动分割的分割结果的精准性。
在一些实施例中，所述基于所述图像特征向量获取所述无向图中的顶点的特征嵌入向量，包括：
获取所述无向图中的顶点的几何特征向量；
基于所述顶点的几何特征向量与所述顶点在所述光栅图像中匹配的所述像素点的图像特征向量进行顶点嵌入，得到所述顶点的特征嵌入向量。
具体地，顶点的特征嵌入向量fv＝xv+pev,v∈V，其中，xv表示光栅图像中与顶点v匹配的像素点对应的坐标的特征向量(即图像特征向量)，pev顶点v对应的坐标的正弦位置编码。
本实施例中，通过采用以上公式将顶点的几何特征向量与顶点在光栅图像中匹配的像素点的图像特征向量进行顶点嵌入，避免像素噪声和绘画风格的干扰，提高后续分割结果的精准性。
在一些实施例中，所述基于所述图像特征向量获取所述对偶图中的对偶顶点的特征嵌入向量，包括：
确定所述对偶图中的对偶顶点在所述无向图中匹配的子图；
基于所述子图中的所述顶点的几何特征向量，获取所述对偶顶点的几何特征向量；
对所述子图进行三角剖分，得到多个不重叠的三角形区域；
确定所述三角形区域中的采样点的几何特征向量；
基于所述子图中的所述顶点的几何特征向量，所述子图中的所述顶点的特征嵌入向量及所述采样点的几何特征向量，得到所述子图对应的所述对偶顶点的特征嵌入向量。
本实施例中，需要说明的是，由于对偶图中的对偶顶点表征为无向图中的某一个子图，因此对于对偶顶点的顶点嵌入应捕捉到该子图相应的区域特征。
具体地，本实施例中，参考图5，先确定对偶顶点在无向图中匹配的子图，获取子图中的所有顶点(如图5中的中间附图中所示的四个顶点)的几何特征向量，之后根据子图中的所有顶点的几何特征向量，获取对偶顶点的几何特征向量。
进一步地，在确定对偶图中的对偶顶点在无向图中匹配的子图之后，通过三角剖分算法，将子图划分成多个不重叠的三角形区域(如图5中的最右侧附图所示的三角形区域)，最后对每一个三角形区域中的内部点进行采样，得到每一个三角形区域中的一个采样点，并确定各采样点的几何特征向量。
具体地，对偶顶点的特征嵌入向量其中，/>表征为对偶顶点的几何特征向量，/>表征为所有采样点的几何特征向量的平均几何特征向量，fv为对偶顶点在无向图中匹配的子图中的顶点的特征嵌入向量。
在一些实施例中，所述双流图神经网络包括两个并行的第一图神经网络及第二图神经网络；
所述将所述无向图的特征数据及所述对偶图的特征数据输入到双流图神经网络，得到所述双流图神经网络输出的所述无向图对应的边界线分类标签及所述对偶图对应的对偶顶点分类标签，包括：
将所述顶点的特征嵌入向量、所述边的特征嵌入向量及对偶边的目标特征嵌入向量，输入所述第一图神经网络，得到所述第一图神经网络输出的所述无向图对应的边界线分类标签，所述对偶边的目标特征嵌入向量是将所述对偶边的特征嵌入向量输入至所述第二图神经网络中更新得到的；
将所述对偶顶点的特征嵌入向量、所述对偶边的特征嵌入向量及边的目标特征嵌入向量，输入所述第二图神经网络，得到所述第二图神经网络输出的所述对偶图对应的对偶顶点分类标签，所述边的目标特征嵌入向量是将所述边的特征嵌入向量输入至所述第一图神经网络中更新得到的。
本实施例中，参考图6，从无向图中提取出边的特征嵌入向量及顶点的特征嵌入向量，从对偶图中提取出对偶边的特征嵌入向量及对偶顶点的特征嵌入向量后，分别将无向图中提取出边的特征嵌入向量及顶点的特征嵌入向量输入第一图神经网络，将对偶图中提取出对偶边的特征嵌入向量及对偶顶点的特征嵌入向量输入第二图神经网络，并且在第一图神经网络中更新顶点的特征嵌入向量时，将对偶边的特征嵌入向量在第二图神经网中更新后的结果输入至第一图神经网络中参与顶点的特征嵌入向量的更新，在第二图神经网络中更新对偶顶点的特征嵌入向量时，将边的特征嵌入向量在第一图神经网中更新后的结果输入至第二图神经网络中参与对偶顶点的特征嵌入向量的更新，如此使用两个并行的图神经网络，通过在它们之间交换数据来学习两个预测任务。
具体地，第一图神经网络输出的是无向图中每个边属于各个预先分类好的边的类别的概率，第二图神经网络输出的是对偶图中每个对偶顶点属于各个预先分类好的顶点的类别的概率，本实施例中，通过第一图神经网络输出的结果，识别出无向图中各边的类别，通过第二图神经网络输出的结果，识别出对偶图中各顶点的类别，由于对偶顶点与无向图中的各区域相对应，因此相同类别的对偶顶点表征其在无向图中所对应的区域属于同一类别的区域，则结合无向图中各边的类别以及对偶图中各顶点的类别，可以将待分割的室内平面矢量图精准划分成多个不重叠的多边形区域。
本发明提供的平面图分割方法，在嵌入两个图的输入特征后，将其输送到双流图神经网络中，去学习高级语义特征，且在学习的过程中，通过在它们之间交换数据来学习两个预测任务，即边界线分类和区域分类，从两个方面提高图神经网络对待分割的室内平面矢量图进行自动分割的分割结果的精准性。
在一些实施例中，所述将所述顶点的特征嵌入向量、所述边的特征嵌入向量及对偶边的目标特征嵌入向量，输入所述第一图神经网络，得到所述第一图神经网络输出的所述无向图对应的边界线分类标签，包括：
通过所述第一图神经网络中的GAT层及所述第一图神经网络中的MLP层聚合所述顶点的特征嵌入向量及对偶边的目标特征嵌入向量，得到目标顶点特征向量；
通过所述第一图神经网络中的GAT层及所述第一图神经网络中的MLP层聚合所述边的特征嵌入向量，得到目标边特征向量；
将所述目标边特征向量及所述目标顶点特征向量输入至所述第一图神经网络的分类器中，得到所述第一图神经网络的分类器输出的所述无向图对应的边界线分类标签。
在一个示例中，第一图神经网络及第二图神经网络中有6个GAT层，在第一图神经网络中的第l层的GAT层中通过结合第二图神经网络中的第l层的GAT层中学习的边界特征来学习顶点特征。
具体地，顶点特征从相邻的顶点/>累加，即/> 其中，Θγ代表第一MLP层，/>是一个可学习投影矩阵，αii与αij均是一个用于平衡领域特征的自适应权重。
其中，αij与第二图神经网络中学习的对偶边的目标特征嵌入向量有关，具体地，
其中，Wq和Wk均是可学习参数，表征将另一个流中的对偶边特征映射为一个权重矩阵，用于调解对偶边/>的两个顶点/>与/>之间的相似度，/>为顶点vi的相邻顶点，顶点/>
进一步地，在对顶点进行特征聚合后，在第l层的GAT层中更新边特征，即其中Θe代表第二MLP层。
在一些实施例中，所述将所述对偶顶点的特征嵌入向量、所述对偶边的特征嵌入向量及边的目标特征嵌入向量，输入所述第二图神经网络，得到所述第二图神经网络输出的所述对偶图对应的对偶顶点分类标签，包括：
通过所述第二图神经网络中的GAT层聚合所述对偶边的特征嵌入向量，得到目标对偶边特征向量；
通过所述第二图神经网络中的GAT层及所述第二图神经网络中的MLP层聚合所述对偶顶点的特征嵌入向量及边的目标特征嵌入向量，得到目标对偶顶点特征向量；
将所述目标对偶边特征向量及所述目标对偶顶点特征向量输入至所述第二图神经网络中的分类器中，得到所述分类器输出的所述对偶图对应的对偶顶点分类标签。
本实施例中，对偶顶点的特征嵌入向量、对偶边的特征嵌入向量及边的目标特征嵌入向量在第二图神经网络中的学习过程同上述实施例中的顶点的特征嵌入向量、边的特征嵌入向量及对偶边的目标特征嵌入向量在第一图神经网络中的学习过程相同，在此不再赘述。
在一些实施例中，所述基于所述边界线分类标签及所述对偶顶点分类标签对所述待分割的室内平面矢量图进行分割，得到所述室内平面矢量图的分割结果之后，还包括：
基于所述室内平面矢量图的分割结果与真实分割结果进行对比，创建评估RI指标对分割效果进行评估。
具体地，先将室内平面矢量图的分割结果与真实分割结果建立一组匹配，之后使用最优双方匹配来建立对应关系，并根据评估指标对分割效果进行评估。
本实施例中，利用IoU来计算成本C(p,g)＝1-IoU(p,g)，其中，p∈P为室内平面矢量图的分割结果，g∈G是真实分割结果，给定二者对应关系σ:P→G∪{φ}，如果IoU(p,σ(p))>0.5，那么则有双方匹配，分割正确。
进一步地，本实施例中还根据室内平面矢量图的分割结果与真实分割结果计算出相应的TP(True Positives，正报)、FP(False Positives，误报)及FN(False Negatives，漏报)，根据TP、FP、FN及IoU确定此次分割的评估指标RI。
定义
其中，TP即指代匹配对数，FP室内平面矢量图的分割结果未匹配真实分割结果的对数，FN指代真实分割结果未匹配室内平面矢量图的分割结果的对数。
本实施例中，得到的评估指标RI的值越高，则表征此次自动分割效果越好，反之，则表征此次自动分割效果越差。
以下为具体的实例，对上述的平面图分割方法的执行展开描述。如图7所示，整个平面图分割方法分为三个阶段，具体地，本实施例中在给定一个室内平面矢量图的输入的情况下，我们首先在第一阶段构建相应的无向图和对偶图，然后通过从室内平面矢量图的渲染图像中提取的CNN图像特征，计算第二阶段图的顶点/边缘嵌入，最后在第三阶段使用两个具有GAT层的并行GNN流在它们之间交换数据来学习两个任务:原始边缘分类作为边界和对偶区域分类作为房间类型。
下面对本发明提供的平面图分割装置进行描述，下文描述的平面图分割装置与上文描述的平面图分割方法可相互对应参照。
图8是本发明提供的平面图分割装置的结构示意图，如图8所示，所述装置包括：
获取模块810，用于获取待分割的室内平面图室内平面矢量图对应的特征数据，基于所述室内平面矢量图中的二维几何线段构建所述室内平面矢量图对应的无向图及对偶图；
预测模块820，用于将所述无向图的特征数据及所述对偶图的特征数据输入到双流图神经网络，得到所述双流图神经网络输出的所述无向图对应的边界线分类标签及所述对偶图对应的对偶顶点分类标签；
分割模块830，用于基于所述边界线分类标签及所述对偶顶点分类标签对所述待分割的室内平面矢量图进行分割，得到所述室内平面矢量图的分割结果；
其中，所述双流图神经网络是基于标注了边界线分类真实标签的目标无向图及标注了对偶顶点真实分类标签的目标对偶图训练的，所述边界线分类真实标签及所述对偶顶点真实分类标签是基于所述目标无向图及所述目标对偶图对应的目标室内平面矢量图中标注的房间标签得到的。
本发明提供的平面图分割装置，通过获取待分割的室内平面图室内平面矢量图对应的特征数据，基于室内平面矢量图中的二维几何线段构建室内平面矢量图对应的无向图及对偶图；将无向图的特征数据及对偶图的特征数据输入到双流图神经网络，得到双流图神经网络输出的无向图对应的边界线分类标签及对偶图对应的对偶顶点分类标签；基于边界线分类标签及对偶顶点分类标签对待分割的室内平面矢量图进行分割，得到室内平面矢量图的分割结果，如此通过使用预先训练好的图神经网络对待分割的室内平面矢量图进行自动分割，此过程无需依赖人工，提高了分割效率。
在一些实施例中，无向图的特征数据包括所述无向图中的边的特征嵌入向量及所述无向图中的顶点的特征嵌入向量，所述对偶图的特征数据包括所述对偶图中的对偶边的特征嵌入向量及所述对偶图中的对偶顶点的特征嵌入向量，预测模块，还用于：
生成所述待分割的室内平面矢量图对应的光栅图像；
获取所述无向图中的边的特征嵌入向量及所述对偶图中的对偶边的特征嵌入向量；
获取所述光栅图像中的像素点的图像特征向量，基于所述图像特征向量获取所述无向图中的顶点的特征嵌入向量及所述对偶图中的对偶顶点的特征嵌入向量。
在一些实施例中，预测模块，还用于：
获取所述无向图中的顶点的几何特征向量；
基于所述顶点的几何特征向量与所述顶点在所述光栅图像中匹配的所述像素点的图像特征向量进行顶点嵌入，得到所述顶点的特征嵌入向量。
在一些实施例中，预测模块，还用于：
确定所述对偶图中的对偶顶点在所述无向图中匹配的子图；
基于所述子图中的所述顶点的几何特征向量，获取所述对偶顶点的几何特征向量；
对所述子图进行三角剖分，得到多个不重叠的三角形区域；
确定所述三角形区域中的采样点的几何特征向量；
基于所述子图中的所述顶点的几何特征向量，所述子图中的所述顶点的特征嵌入向量及所述采样点的几何特征向量，得到所述子图对应的所述对偶顶点的特征嵌入向量。
在一些实施例中，所述双流图神经网络包括两个并行的第一图神经网络及第二图神经网络；预测模块，还用于：
将所述顶点的特征嵌入向量、所述边的特征嵌入向量及对偶边的目标特征嵌入向量，输入所述第一图神经网络，得到所述第一图神经网络输出的所述无向图对应的边界线分类标签，所述对偶边的目标特征嵌入向量是将所述对偶边的特征嵌入向量输入至所述第二图神经网络中更新得到的；
将所述对偶顶点的特征嵌入向量、所述对偶边的特征嵌入向量及边的目标特征嵌入向量，输入所述第二图神经网络，得到所述第二图神经网络输出的所述对偶图对应的对偶顶点分类标签，所述边的目标特征嵌入向量是将所述边的特征嵌入向量输入至所述第一图神经网络中更新得到的。
在一些实施例中，预测模块，还用于：
通过所述第一图神经网络中的GAT层及所述第一图神经网络中的MLP层聚合所述顶点的特征嵌入向量及对偶边的目标特征嵌入向量，得到目标顶点特征向量；
通过所述第一图神经网络中的GAT层及所述第二图神经网络中的MLP层聚合所述边的特征嵌入向量，得到目标边特征向量；
将所述目标边特征向量及所述目标顶点特征向量输入至所述第一图神经网络的分类器中，得到所述第一图神经网络的分类器输出的所述无向图对应的边界线分类标签。
在一些实施例中，预测模块，还用于：
通过所述第二图神经网络中的GAT层及所述第二图神经网络中的MLP层聚合所述对偶顶点的特征嵌入向量及边的目标特征嵌入向量，得到目标对偶顶点特征向量；
通过所述第二图神经网络中的GAT层及所述第二图神经网络中的MLP层聚合所述对偶边的特征嵌入向量，得到目标对偶边特征向量；
将所述目标对偶边特征向量及所述目标对偶顶点特征向量输入至所述第二图神经网络中的分类器中，得到所述分类器输出的所述对偶图对应的对偶顶点分类标签。
图9是本发明提供的电子设备的结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行平面图分割方法，该方法包括：
获取待分割的室内平面矢量图，基于所述室内平面矢量图中的二维几何线段构建所述室内平面矢量图对应的无向图及对偶图；
将所述无向图的特征数据及对偶图的特征数据输入到双流图神经网络，得到所述双流图神经网络输出的所述无向图对应的边界线分类标签及所述对偶图对应的对偶顶点分类标签；
基于所述边界线分类标签及所述对偶顶点分类标签对所述待分割的室内平面矢量图进行分割，得到所述室内平面矢量图的分割结果；
其中，所述双流图神经网络是基于标注了边界线分类真实标签的目标无向图及标注了对偶顶点真实分类标签的目标对偶图训练的，所述边界线分类真实标签及所述对偶顶点真实分类标签是基于所述目标无向图及所述目标对偶图对应的目标室内平面矢量图中标注的房间标签得到的。
此外，上述的存储器930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。
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方法提供的平面图分割方法，该方法包括：
获取待分割的室内平面矢量图，基于所述室内平面矢量图中的二维几何线段构建所述室内平面矢量图对应的无向图及对偶图；
将所述无向图的特征数据及对偶图的特征数据输入到双流图神经网络，得到所述双流图神经网络输出的所述无向图对应的边界线分类标签及所述对偶图对应的对偶顶点分类标签；
基于所述边界线分类标签及所述对偶顶点分类标签对所述待分割的室内平面矢量图进行分割，得到所述室内平面矢量图的分割结果；
其中，所述双流图神经网络是基于标注了边界线分类真实标签的目标无向图及标注了对偶顶点真实分类标签的目标对偶图训练的，所述边界线分类真实标签及所述对偶顶点真实分类标签是基于所述目标无向图及所述目标对偶图对应的目标室内平面矢量图中标注的房间标签得到的。
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。
最后应说明的是：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)
1.一种平面图分割方法，其特征在于，包括：
获取待分割的室内平面矢量图，基于所述室内平面矢量图中的二维几何线段构建所述室内平面矢量图对应的无向图及对偶图；
将所述无向图的特征数据及所述对偶图的特征数据输入到双流图神经网络，得到所述双流图神经网络输出的所述无向图对应的边界线分类标签及所述对偶图对应的对偶顶点分类标签；
基于所述边界线分类标签及所述对偶顶点分类标签对所述待分割的室内平面矢量图进行分割，得到所述室内平面矢量图的分割结果；
其中，所述双流图神经网络是基于标注了边界线分类真实标签的目标无向图及标注了对偶顶点真实分类标签的目标对偶图训练的，所述边界线分类真实标签及所述对偶顶点真实分类标签是基于所述目标无向图及所述目标对偶图对应的目标室内平面矢量图中标注的房间标签得到的。
2.根据权利要求1所述平面图分割方法，其特征在于，所述无向图的特征数据包括所述无向图中的边的特征嵌入向量及所述无向图中的顶点的特征嵌入向量，所述对偶图的特征数据包括所述对偶图中的对偶边的特征嵌入向量及所述对偶图中的对偶顶点的特征嵌入向量，所述将所述无向图的特征数据及所述对偶图的特征数据输入到双流图神经网络之前，还包括：
生成所述待分割的室内平面矢量图对应的光栅图像；
获取所述无向图中的边的特征嵌入向量及所述对偶图中的对偶边的特征嵌入向量；
获取所述光栅图像中的像素点的图像特征向量，基于所述图像特征向量获取所述无向图中的顶点的特征嵌入向量及所述对偶图中的对偶顶点的特征嵌入向量。
3.根据权利要求2所述平面图分割方法，其特征在于，所述基于所述图像特征向量获取所述无向图中的顶点的特征嵌入向量，包括：
获取所述无向图中的顶点的几何特征向量；
基于所述顶点的几何特征向量与所述顶点在所述光栅图像中匹配的所述像素点的图像特征向量进行顶点嵌入，得到所述顶点的特征嵌入向量。
4.根据权利要求3所述平面图分割方法，其特征在于，所述基于所述图像特征向量获取所述对偶图中的对偶顶点的特征嵌入向量，包括：
确定所述对偶图中的对偶顶点在所述无向图中匹配的子图；
基于所述子图中的所述顶点的几何特征向量，获取所述对偶顶点的几何特征向量；
对所述子图进行三角剖分，得到多个不重叠的三角形区域；
确定所述三角形区域中的采样点的几何特征向量；
基于所述子图中的所述顶点的几何特征向量，所述子图中的所述顶点的特征嵌入向量及所述采样点的几何特征向量，得到所述子图对应的所述对偶顶点的特征嵌入向量。
5.根据权利要求2所述平面图分割方法，其特征在于，所述双流图神经网络包括两个并行的第一图神经网络及第二图神经网络；
所述将所述无向图的特征数据及所述对偶图的特征数据输入到双流图神经网络，得到所述双流图神经网络输出的所述无向图对应的边界线分类标签及所述对偶图对应的对偶顶点分类标签，包括：
将所述顶点的特征嵌入向量、所述边的特征嵌入向量及对偶边的目标特征嵌入向量，输入所述第一图神经网络，得到所述第一图神经网络输出的所述无向图对应的边界线分类标签，所述对偶边的目标特征嵌入向量是将所述对偶边的特征嵌入向量输入至所述第二图神经网络中更新得到的；
将所述对偶顶点的特征嵌入向量、所述对偶边的特征嵌入向量及边的目标特征嵌入向量，输入所述第二图神经网络，得到所述第二图神经网络输出的所述对偶图对应的对偶顶点分类标签，所述边的目标特征嵌入向量是将所述边的特征嵌入向量输入至所述第一图神经网络中更新得到的。
6.根据权利要求5所述平面图分割方法，其特征在于，所述将所述顶点的特征嵌入向量、所述边的特征嵌入向量及对偶边的目标特征嵌入向量，输入所述第一图神经网络，得到所述第一图神经网络输出的所述无向图对应的边界线分类标签，包括：
通过所述第一图神经网络中的GAT层及所述第一图神经网络中的MLP层聚合所述顶点的特征嵌入向量及对偶边的目标特征嵌入向量，得到目标顶点特征向量；
通过所述第一图神经网络中的GAT层及所述第二图神经网络中的MLP层聚合所述边的特征嵌入向量，得到目标边特征向量；
将所述目标边特征向量及所述目标顶点特征向量输入至所述第一图神经网络的分类器中，得到所述第一图神经网络的分类器输出的所述无向图对应的边界线分类标签。
7.根据权利要求5所述平面图分割方法，其特征在于，所述将所述对偶顶点的特征嵌入向量、所述对偶边的特征嵌入向量及边的目标特征嵌入向量，输入所述第二图神经网络，得到所述第二图神经网络输出的所述对偶图对应的对偶顶点分类标签，包括：
通过所述第二图神经网络中的GAT层及所述第二图神经网络中的MLP层聚合所述对偶顶点的特征嵌入向量及边的目标特征嵌入向量，得到目标对偶顶点特征向量；
通过所述第二图神经网络中的GAT层及所述第二图神经网络中的MLP层聚合所述对偶边的特征嵌入向量，得到目标对偶边特征向量；
将所述目标对偶边特征向量及所述目标对偶顶点特征向量输入至所述第二图神经网络中的分类器中，得到所述分类器输出的所述对偶图对应的对偶顶点分类标签。
8.一种平面图分割装置，其特征在于，包括：
构建模块，用于获取待分割的室内平面图室内平面矢量图对应的特征数据，基于所述室内平面矢量图中的二维几何线段构建所述室内平面矢量图对应的无向图及对偶图；
预测模块，用于将所述无向图的特征数据及所述对偶图的特征数据输入到双流图神经网络，得到所述双流图神经网络输出的所述无向图对应的边界线分类标签及所述对偶图对应的对偶顶点分类标签；
分割模块，用于基于所述边界线分类标签及所述对偶顶点分类标签对所述待分割的室内平面矢量图进行分割，得到所述室内平面矢量图的分割结果；
其中，所述双流图神经网络是基于标注了边界线分类真实标签的目标无向图及标注了对偶顶点真实分类标签的目标对偶图训练的，所述边界线分类真实标签及所述对偶顶点真实分类标签是基于所述目标无向图及所述目标对偶图对应的目标室内平面矢量图中标注的房间标签得到的。
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任一项所述平面图分割方法。
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任一项所述平面图分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310542385.3A CN116824132B (zh) | 2023-05-15 | 2023-05-15 | 平面图分割方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310542385.3A CN116824132B (zh) | 2023-05-15 | 2023-05-15 | 平面图分割方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116824132A true CN116824132A (zh) | 2023-09-29 |
| CN116824132B CN116824132B (zh) | 2024-03-12 |
Family
ID=88140177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310542385.3A Active CN116824132B (zh) | 2023-05-15 | 2023-05-15 | 平面图分割方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116824132B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190266293A1 (en) * | 2016-11-17 | 2019-08-29 | Lifull Co., Ltd. | Information processing apparatus, information processing method, and program |
| CN110532602A (zh) * | 2019-07-19 | 2019-12-03 | 中国地质大学（武汉） | 一种基于平面图图像的室内自动制图与建模方法 |
| CN111179374A (zh) * | 2019-11-27 | 2020-05-19 | 中国科学院地理科学与资源研究所 | 一种室内导航网络结构图构建方法、系统及电子设备 |
| US20210065417A1 (en) * | 2019-09-03 | 2021-03-04 | Mappedin Inc. | System and method for semantic segmentation of a source geometry |
| CN113688814A (zh) * | 2021-10-27 | 2021-11-23 | 武汉邦拓信息科技有限公司 | 图像识别方法及装置 |
| CN113868739A (zh) * | 2021-09-24 | 2021-12-31 | 杭州电子科技大学 | 一种基于神经网络的多房间室内户型图重建方法 |
| CN115545098A (zh) * | 2022-09-23 | 2022-12-30 | 青海师范大学 | 一种基于注意力机制的三通道图神经网络的节点分类方法 |
| CN115640372A (zh) * | 2022-10-18 | 2023-01-24 | 中国农业银行股份有限公司 | 一种室内平面的区域指引方法、装置、系统、设备及介质 |
| CN115761275A (zh) * | 2022-09-07 | 2023-03-07 | 齐鲁工业大学 | 一种基于图神经网络的无监督社区发现方法及系统 |
-
2023
- 2023-05-15 CN CN202310542385.3A patent/CN116824132B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190266293A1 (en) * | 2016-11-17 | 2019-08-29 | Lifull Co., Ltd. | Information processing apparatus, information processing method, and program |
| CN110532602A (zh) * | 2019-07-19 | 2019-12-03 | 中国地质大学（武汉） | 一种基于平面图图像的室内自动制图与建模方法 |
| US20210065417A1 (en) * | 2019-09-03 | 2021-03-04 | Mappedin Inc. | System and method for semantic segmentation of a source geometry |
| CN111179374A (zh) * | 2019-11-27 | 2020-05-19 | 中国科学院地理科学与资源研究所 | 一种室内导航网络结构图构建方法、系统及电子设备 |
| CN113868739A (zh) * | 2021-09-24 | 2021-12-31 | 杭州电子科技大学 | 一种基于神经网络的多房间室内户型图重建方法 |
| CN113688814A (zh) * | 2021-10-27 | 2021-11-23 | 武汉邦拓信息科技有限公司 | 图像识别方法及装置 |
| CN115761275A (zh) * | 2022-09-07 | 2023-03-07 | 齐鲁工业大学 | 一种基于图神经网络的无监督社区发现方法及系统 |
| CN115545098A (zh) * | 2022-09-23 | 2022-12-30 | 青海师范大学 | 一种基于注意力机制的三通道图神经网络的节点分类方法 |
| CN115640372A (zh) * | 2022-10-18 | 2023-01-24 | 中国农业银行股份有限公司 | 一种室内平面的区域指引方法、装置、系统、设备及介质 |
Non-Patent Citations (4)
| Title |
|---|
| BINGCHEN YANG 等: "VectorFloorSeg: Two-Stream Graph Attention Network for Vectorized Roughcast Floorplan Segmentation", 《2023 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, pages 1358 - 1367 * |
| MINGXIANG CHEN 等: "Parsing Line Segments of Floor Plan Images Using Graph Neural Networks", 《ARXIV》, pages 1 - 15 * |
| 肖尚华 等: "基于加权 K-means 聚类与路网无向图的地图分割算法", 《现代计算机》, pages 78 - 81 * |
| 薛磊 等: "一种改进的图卷积网络半监督节点分类", 《计算机应用与软件》, vol. 38, no. 10, pages 153 - 158 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116824132B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109614935B (zh) | 车辆定损方法及装置、存储介质及电子设备 | |
| Zorzi et al. | Polyworld: Polygonal building extraction with graph neural networks in satellite images | |
| CN110427932B (zh) | 一种识别图像中多个票据区域的方法及装置 | |
| CN109711416B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
| CN110648397A (zh) | 场景地图生成方法、装置、存储介质及电子设备 | |
| CN109993753B (zh) | 遥感影像中城市功能区的分割方法及装置 | |
| CN111008935B (zh) | 一种人脸图像增强方法、装置、系统及存储介质 | |
| CN114677565B (zh) | 特征提取网络的训练方法和图像处理方法、装置 | |
| CN110838122B (zh) | 点云的分割方法、装置及计算机存储介质 | |
| CN111260655B (zh) | 基于深度神经网络模型的图像生成方法与装置 | |
| KR102239588B1 (ko) | 이미지 처리 방법 및 장치 | |
| CN111696196A (zh) | 一种三维人脸模型重建方法及装置 | |
| Dong et al. | Learning regional purity for instance segmentation on 3d point clouds | |
| US12033352B2 (en) | Methods and systems for generating end-to-end model to estimate 3-dimensional(3-D) pose of object | |
| CN113971644A (zh) | 基于数据增强策略选择的图像识别方法及装置 | |
| CN114926832A (zh) | 特征提取模型训练、材质贴图处理方法、装置及电子设备 | |
| CN114387656B (zh) | 基于人工智能的换脸方法、装置、设备及存储介质 | |
| JP2015201151A (ja) | 三次元モデル検索システム、及び三次元モデル検索方法 | |
| CN113658195B (zh) | 图像分割方法、装置及电子设备 | |
| Guo et al. | Sam-guided graph cut for 3d instance segmentation | |
| Brezovan et al. | An adaptive method for efficient detection of salient visual object from color images | |
| CN111914809B (zh) | 目标对象定位方法、图像处理方法、装置和计算机设备 | |
| CN116824132B (zh) | 平面图分割方法、装置及电子设备 | |
| CN111382760B (zh) | 图片类别的识别方法、装置及计算机可读存储介质 | |
| US11748943B2 (en) | Cleaning dataset for neural network training |
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 |