CN116958424B - 基于平面图的三维建筑模型生成方法及系统 - Google Patents

基于平面图的三维建筑模型生成方法及系统 Download PDF

Info

Publication number
CN116958424B
CN116958424B CN202310855984.0A CN202310855984A CN116958424B CN 116958424 B CN116958424 B CN 116958424B CN 202310855984 A CN202310855984 A CN 202310855984A CN 116958424 B CN116958424 B CN 116958424B
Authority
CN
China
Prior art keywords
building element
feature matrix
building
global
plan
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
Application number
CN202310855984.0A
Other languages
English (en)
Other versions
CN116958424A (zh
Inventor
张晓峰
王玲
郭刚在
李瑶
许瑛
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.)
Yuanhai Guangzhu Engineering Technology Henan Co ltd
Original Assignee
Yuanhai Guangzhu Engineering Technology Henan 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 Yuanhai Guangzhu Engineering Technology Henan Co ltd filed Critical Yuanhai Guangzhu Engineering Technology Henan Co ltd
Priority to CN202310855984.0A priority Critical patent/CN116958424B/zh
Publication of CN116958424A publication Critical patent/CN116958424A/zh
Application granted granted Critical
Publication of CN116958424B publication Critical patent/CN116958424B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/04—Architectural design, interior design
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Architecture (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Computer Graphics (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请涉及建模领域，其具体地公开了一种基于平面图的三维建筑模型生成方法及系统，其通过采用基于深度学习的神经网络模型挖掘出三维建筑的平面图中关于各个元素的隐含特征，以此来生成更为精准的三维建筑模型，从而提高建筑设计的效率和准确性。

Description

基于平面图的三维建筑模型生成方法及系统
技术领域
本申请涉及建模领域，且更为具体地，涉及一种基于平面图的三维建筑模型生成方法及系统。
背景技术
随着计算机技术的不断发展，三维建模已经成为了许多领域中必不可少的工具。在建筑设计领域中，常常需要根据用户输入的平面图来生成对应的三维建筑模型，以提高建筑设计的效率和准确性。然而，传统的手工绘图方式需要耗费大量的时间和精力，而且容易出现误差。因此，传统的手工绘图方式已经逐渐被计算机辅助设计(CAD)所取代。但是，使用CAD软件进行建筑设计需要用户掌握一定的技能，并且需要耗费大量的时间和精力，同时现有的基于平面图来构建三维建筑模型的精准度也难以满足实际的应用要求。
因此，期望一种优化的基于平面图的三维建筑模型生成方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于平面图的三维建筑模型生成方法及系统，其通过采用基于深度学习的神经网络模型挖掘出三维建筑的平面图中关于各个元素的隐含特征，以此来生成更为精准的三维建筑模型，从而提高建筑设计的效率和准确性。
根据本申请的一个方面，提供了一种基于平面图的三维建筑模型生成方法，其包括：
获取待重构三维建筑的平面图；
基于所述平面图中各个元素在所述平面图中的位置，对所述平面图进行图像分块处理以得到多个图像元素块的序列，其中，所述元素包括墙体、门窗、楼梯和房间；
将所述多个图像元素块的序列分别通过使用空间注意力机制的卷积神经网络模型以得到多个建筑元素特征矩阵；
将所述多个建筑元素特征矩阵按照图像分块的位置排列为建筑元素全局特征矩阵；
将所述建筑元素全局特征矩阵通过双向注意力机制模块以得到建筑元素全局强化特征矩阵；以及
将所述建筑元素全局强化特征矩阵通过基于对抗生成网络的生成器以得到三维建筑模型。
在上述基于平面图的三维建筑模型生成方法中，将所述多个图像元素块的序列分别通过使用空间注意力机制的卷积神经网络模型以得到多个建筑元素特征矩阵，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别对所述多个图像元素块的序列分别进行卷积处理、基于沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始建筑元素特征矩阵；以及，将所述多个初始建筑元素特征矩阵输入所述卷积神经网络模型的空间注意力层以得到所述多个初始建筑元素特征矩阵。
在上述基于平面图的三维建筑模型生成方法中，将所述建筑元素全局特征矩阵通过双向注意力机制模块以得到建筑元素全局强化特征矩阵，包括：将所述建筑元素全局特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到注意力空间特征矩阵；融合所述建筑元素全局特征矩阵和所述注意力空间特征矩阵以得到所述建筑元素全局强化特征矩阵。
在上述基于平面图的三维建筑模型生成方法中，融合所述建筑元素全局特征矩阵和所述注意力空间特征矩阵以得到所述建筑元素全局强化特征矩阵，包括：以如下优化公式对所述建筑元素全局特征矩阵和所述注意力空间特征矩阵进行全局上下文空间关联富化融合以得到所述建筑元素全局强化特征矩阵；其中，所述优化公式为：
其中，M1和M2分别是所述建筑元素全局特征矩阵和所述注意力空间特征矩阵，且Mf是所述建筑元素全局强化特征矩阵，和/>分别是矩阵乘法和矩阵加法。
在上述基于平面图的三维建筑模型生成方法中，所述对抗生成网络包括鉴别器和生成器。
在上述基于平面图的三维建筑模型生成方法中，将所述建筑元素全局强化特征矩阵通过基于对抗生成网络的生成器以得到三维建筑模型，包括：将所述建筑元素全局强化特征矩阵输入所述基于对抗生成网络的生成器以由所述生成器通过至少一次反卷积编码生成所述三维建筑模型。
根据本申请的另一方面，提供了一种基于平面图的三维建筑模型生成系统，其包括：
图像获取模块，用于获取待重构三维建筑的平面图；
图像分块模块，用于基于所述平面图中各个元素在所述平面图中的位置，对所述平面图进行图像分块处理以得到多个图像元素块的序列，其中，所述元素包括墙体、门窗、楼梯和房间；
卷积模块，用于将所述多个图像元素块的序列分别通过使用空间注意力机制的卷积神经网络模型以得到多个建筑元素特征矩阵；
排列模块，用于将所述多个建筑元素特征矩阵按照图像分块的位置排列为建筑元素全局特征矩阵；
双向注意力增强模块，用于将所述建筑元素全局特征矩阵通过双向注意力机制模块以得到建筑元素全局强化特征矩阵；以及
对抗生成模块，用于将所述建筑元素全局强化特征矩阵通过基于对抗生成网络的生成器以得到三维建筑模型。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于平面图的三维建筑模型生成方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于平面图的三维建筑模型生成方法。
与现有技术相比，本申请提供的一种基于平面图的三维建筑模型生成方法及系统，其通过采用基于深度学习的神经网络模型挖掘出三维建筑的平面图中关于各个元素的隐含特征，以此来生成更为精准的三维建筑模型，从而提高建筑设计的效率和准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于平面图的三维建筑模型生成方法的流程图；
图2为根据本申请实施例的基于平面图的三维建筑模型生成方法的系统架构图；
图3为根据本申请实施例的基于平面图的三维建筑模型生成方法中卷积神经网络编码的流程图；
图4为根据本申请实施例的基于平面图的三维建筑模型生成方法中双向注意力增强过程的流程图；
图5为根据本申请实施例的基于平面图的三维建筑模型生成系统的框图；
图6为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上所述，传统的手工绘图方式需要耗费大量的时间和精力，而且容易出现误差。因此，传统的手工绘图方式已经逐渐被计算机辅助设计(CAD)所取代。但是，使用CAD软件进行建筑设计需要用户掌握一定的技能，并且需要耗费大量的时间和精力，同时现有的基于平面图来构建三维建筑模型的精准度也难以满足实际的应用要求。因此，期望一种优化的基于平面图的三维建筑模型生成方案。
相应地，考虑到在实际进行三维模型构建时，为了能够基于用户输入的平面图，自动准确地生成对应的三维建筑模型，需要对于三维建筑的平面图进行图像分析，以识别出平面图中的各种元素，如墙体、门窗、楼梯和房间等，并提取出它们的位置、尺寸、方向等特征信息。进而，才能够根据平面图分析的结果，生成对应的三维建筑模型。但是，由于三维建筑的平面图中存在有大量的信息量，而关于墙体、门窗、楼梯和房间的特征信息在图像中为小尺度的隐含特征信息，难以通过传统的特征提取方式进行有效地捕捉刻画，导致三维建筑模型重构设计的精准度难以保证。因此，在此过程中，难点在于如何挖掘所述三维建筑的平面图中关于各个元素的隐含特征分布信息，以此来生成更为精准的三维建筑模型，从而提高建筑设计的效率和准确性。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述三维建筑的平面图中关于各个元素的隐含特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取待重构三维建筑的平面图。接着，考虑到对于平面图中的建筑元素，如墙体、门窗、楼梯和房间，它们在平面图中的位置是非常重要的，因为它们的位置决定了它们在三维空间中的相对位置和排列方式，进而影响了三维建筑模型重构的精准度。而在所述待重构三维建筑的平面图中，这些建筑元素的特征为小尺度的隐性特征信息，即占有图像中的比例较小，因此，在本申请的技术方案中，进一步基于所述平面图中各个元素在所述平面图中的位置，对所述平面图进行图像分块处理以得到多个图像元素块的序列，其中，所述元素包括墙体、门窗、楼梯和房间。这样可以将大的平面图分解成多个小块进行处理，从而提高特征提取的能力以及算法的效率和准确性。同时，这样也可以更好地区分不同的建筑元素，并且保留它们在三维空间中的相对位置关系，从而使得生成的三维模型更加真实和准确。
然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个图像元素块的序列中的各个图像块的特征提取，特别地，考虑到在基于平面图进行三维建筑模型的设计时，应更加关注于空间位置上关于各个元素，例如墙体、门窗、楼梯和房间的空间位置特征和方向等特征信息而忽略与各个元素特征刻画无关的干扰特征。鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述多个图像元素块的序列分别通过使用空间注意力机制的卷积神经网络模型中进行处理，以分别提取出所述各个图像元素块中聚焦于空间上的关于每个所述元素的隐含特征分布信息，然后再将每个所述元素的各个图像元素块特征进行融合以得到多个建筑元素特征矩阵。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于各元素的隐含特征信息。
接着，进一步再将所述多个建筑元素特征矩阵按照图像分块的位置排列为建筑元素全局特征矩阵。应可以理解，在基于平面图的三维建筑模型生成方法中，每个建筑元素通常都包含位置和形状信息。在进行三维建模时，需要考虑多个建筑元素之间的位置关系和交互作用，以生成完整的三维场景。因此，将所述多个建筑元素特征矩阵按照它们在原始平面图中的位置排列，可以更好地反映它们之间的位置关系。具体来说，在图像分块的位置排列后，可以更方便地识别、比较和处理这些元素的特征信息，从而提高算法的准确性和效率。
进一步地，还考虑到由于建筑元素之间的全局关联特征复杂多样,保留和传递浅层细节特征对提高算法分割准确率非常重要。因此，期望在U-Net网络中,通过跳跃连接将编码器的特征信息直接传递到解码器,实现浅层特征与深层特征融合,补充解码器细节特征信息,但这种在同尺度之间特征直接传递的方式过于简单，没有对各个建筑元素特征信息进行筛选，例如无用的位置和形状特征信息,进而无法准确对三维建筑模型进行设计构建。因此，在本申请的技术方案中，使用双向注意力机制模块来对所述建筑元素全局特征矩阵进行处理以得到建筑元素全局强化特征矩阵。这样，能够充分利用上下文信息来增强所述各个建筑元素之间的隐含关联特征响应和抑制背景特征响应。具体地，所述双向注意力模块分别从水平方向和垂直方向对整个建筑元素全局特征矩阵的注意力权重校准并获取复杂特征关系,从而能够从空间的全局特征中获取局部特征信息。
然后，为了能够基于所述三维建筑的平面图中关于各个元素的关联特征信息来生成对应的三维建筑模型，需要将所述建筑元素全局强化特征矩阵通过基于对抗生成网络的生成器以得到三维建筑模型。具体来说，所述对抗生成网络包括生成器和鉴别器，其中，所述生成器用于生成三维建筑模型，所述鉴别器用于计算该三维建筑模型和真实三维建筑模型之间的差异，并通过梯度下降的方向传播算法来更新所述生成器的网络参数以得到具有三维建筑模型生成功能的生成器，从而提高三维建筑模型的设计精准度。
特别地，在本申请的技术方案中，在将所述多个图像元素块的序列分别通过使用空间注意力机制的卷积神经网络模型得到所述多个建筑元素特征矩阵时，可以基于待重构三维建筑的平面图中的各个元素在源图像内的分布提取空间关联强化的图像语义特征，从而获得更显著地表达元素的对象图像语义的建筑元素特征矩阵。
然后，在将所述多个建筑元素特征矩阵按照图像分块的位置排列为建筑元素全局特征矩阵后通过双向注意力机制模块时，需要将所述建筑元素全局特征矩阵通过双向注意力机制进行行和列方向的注意力空间分布强化的注意力空间特征矩阵与所述建筑元素全局特征矩阵融合，来得到所述建筑元素全局强化特征矩阵。因此，在所述建筑元素全局特征矩阵和所述注意力空间特征矩阵具有各自强化的空间局部图像语义关联特征的情况下，需要考虑其各自的空间图像语义关联特征的空间分布表示来进行融合。
基于此，本申请的申请人对所述建筑元素全局特征矩阵和所述注意力空间特征矩阵进行全局上下文空间关联富化融合，具体表示为：
M1和M2分别是所述建筑元素全局特征矩阵和所述注意力空间特征矩阵，且Mf是所述建筑元素全局强化特征矩阵。
这里，为了聚集在所述建筑元素全局特征矩阵和所述注意力空间特征矩阵之间关联分布的本地空间语义之间的上下文空间关联语义，所述全局上下文空间关联富化融合通过聚焦于所述建筑元素全局特征矩阵和所述注意力空间特征矩阵各自表示的空间级别(spatial level)的显式上下文相关性，来富化(enriching)全局感知野下的特征矩阵级别的空间语义融合式表达，从而实现所述建筑元素全局特征矩阵和所述注意力空间特征矩阵的空间共享上下文语义的同化(assimilation)融合，以提升所述建筑元素全局强化特征矩阵对所述建筑元素全局特征矩阵和所述注意力空间特征矩阵的融合效果，也就提升了所述建筑元素全局强化特征矩阵通过基于对抗生成网络的生成器得到的三维建筑模型的准确性。这样，能够基于平面图自动且精准地生成三维建筑模型，从而提高建筑设计的效率和准确性。
基于此，本申请提出了一种基于平面图的三维建筑模型生成方法，其包括：获取待重构三维建筑的平面图；基于所述平面图中各个元素在所述平面图中的位置，对所述平面图进行图像分块处理以得到多个图像元素块的序列，其中，所述元素包括墙体、门窗、楼梯和房间；将所述多个图像元素块的序列分别通过使用空间注意力机制的卷积神经网络模型以得到多个建筑元素特征矩阵；将所述多个建筑元素特征矩阵按照图像分块的位置排列为建筑元素全局特征矩阵；将所述建筑元素全局特征矩阵通过双向注意力机制模块以得到建筑元素全局强化特征矩阵；以及，将所述建筑元素全局强化特征矩阵通过基于对抗生成网络的生成器以得到三维建筑模型。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1为根据本申请实施例的基于平面图的三维建筑模型生成方法的流程图。如图1所示，根据本申请实施例的基于平面图的三维建筑模型生成方法，包括步骤：S110，获取待重构三维建筑的平面图；S120，基于所述平面图中各个元素在所述平面图中的位置，对所述平面图进行图像分块处理以得到多个图像元素块的序列，其中，所述元素包括墙体、门窗、楼梯和房间；S130，将所述多个图像元素块的序列分别通过使用空间注意力机制的卷积神经网络模型以得到多个建筑元素特征矩阵；S140，将所述多个建筑元素特征矩阵按照图像分块的位置排列为建筑元素全局特征矩阵；S150，将所述建筑元素全局特征矩阵通过双向注意力机制模块以得到建筑元素全局强化特征矩阵；以及，S160，将所述建筑元素全局强化特征矩阵通过基于对抗生成网络的生成器以得到三维建筑模型。
图2为根据本申请实施例的基于平面图的三维建筑模型生成方法的系统架构图。如图2所示，该网络结构中，首先，获取待重构三维建筑的平面图；接着，基于所述平面图中各个元素在所述平面图中的位置，对所述平面图进行图像分块处理以得到多个图像元素块的序列，其中，所述元素包括墙体、门窗、楼梯和房间；将所述多个图像元素块的序列分别通过使用空间注意力机制的卷积神经网络模型以得到多个建筑元素特征矩阵；将所述多个建筑元素特征矩阵按照图像分块的位置排列为建筑元素全局特征矩阵；将所述建筑元素全局特征矩阵通过双向注意力机制模块以得到建筑元素全局强化特征矩阵；进而，将所述建筑元素全局强化特征矩阵通过基于对抗生成网络的生成器以得到三维建筑模型。
更具体地，在步骤S110中，获取待重构三维建筑的平面图。应可以理解，在实际进行三维模型构建时，可通过对用户输入的三维建筑的平面图像进行分析，以识别出平面图中的各种元素，如墙体、门窗、楼梯和房间等，并提取出它们的位置、尺寸、方向等特征信息，以此来自动准确地生成对应的三维建筑模型。因此，在本申请的技术方案中，首先，获取待重构三维建筑的平面图。
更具体地，在步骤S120中，基于所述平面图中各个元素在所述平面图中的位置，对所述平面图进行图像分块处理以得到多个图像元素块的序列，其中，所述元素包括墙体、门窗、楼梯和房间。考虑到对于平面图中的建筑元素，如墙体、门窗、楼梯和房间，它们在平面图中的位置是非常重要的，因为它们的位置决定了它们在三维空间中的相对位置和排列方式，进而影响了三维建筑模型重构的精准度。而在所述待重构三维建筑的平面图中，这些建筑元素的特征为小尺度的隐性特征信息，即占有图像中的比例较小，因此，在本申请的技术方案中，进一步基于所述平面图中各个元素在所述平面图中的位置，对所述平面图进行图像分块处理以得到多个图像元素块的序列，其中，所述元素包括墙体、门窗、楼梯和房间。这样可以将大的平面图分解成多个小块进行处理，从而提高特征提取的能力以及算法的效率和准确性。同时，这样也可以更好地区分不同的建筑元素，并且保留它们在三维空间中的相对位置关系，从而使得生成的三维模型更加真实和准确。
更具体地，在步骤S130中，将所述多个图像元素块的序列分别通过使用空间注意力机制的卷积神经网络模型以得到多个建筑元素特征矩阵。也就是，在本申请的技术方案中，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个图像元素块的序列中的各个图像块的特征提取，特别地，考虑到在基于平面图进行三维建筑模型的设计时，应更加关注于空间位置上关于各个元素，例如墙体、门窗、楼梯和房间的空间位置特征和方向等特征信息而忽略与各个元素特征刻画无关的干扰特征。鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述多个图像元素块的序列分别通过使用空间注意力机制的卷积神经网络模型中进行处理，以分别提取出所述各个图像元素块中聚焦于空间上的关于每个所述元素的隐含特征分布信息，然后再将每个所述元素的各个图像元素块特征进行融合以得到多个建筑元素特征矩阵。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于各元素的隐含特征信息。在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。在本申请的技术方案中，在将所述多个图像元素块的序列分别通过使用空间注意力机制的卷积神经网络模型得到所述多个建筑元素特征矩阵时，可以基于待重构三维建筑的平面图中的各个元素在源图像内的分布提取空间关联强化的图像语义特征，从而获得更显著地表达元素的对象图像语义的建筑元素特征矩阵。然后，在将所述多个建筑元素特征矩阵按照图像分块的位置排列为建筑元素全局特征矩阵后通过双向注意力机制模块时，需要将所述建筑元素全局特征矩阵通过双向注意力机制进行行和列方向的注意力空间分布强化的注意力空间特征矩阵与所述建筑元素全局特征矩阵融合，来得到所述建筑元素全局强化特征矩阵。因此，在所述建筑元素全局特征矩阵和所述注意力空间特征矩阵具有各自强化的空间局部图像语义关联特征的情况下，需要考虑其各自的空间图像语义关联特征的空间分布表示来进行融合。基于此，本申请的申请人对所述建筑元素全局特征矩阵和所述注意力空间特征矩阵进行全局上下文空间关联富化融合，具体表示为：
其中，M1和M2分别是所述建筑元素全局特征矩阵和所述注意力空间特征矩阵，且Mf是所述建筑元素全局强化特征矩阵，和/>分别是矩阵乘法和矩阵加法。这里，为了聚集在所述建筑元素全局特征矩阵和所述注意力空间特征矩阵之间关联分布的本地空间语义之间的上下文空间关联语义，所述全局上下文空间关联富化融合通过聚焦于所述建筑元素全局特征矩阵和所述注意力空间特征矩阵各自表示的空间级别(spatial level)的显式上下文相关性，来富化(enriching)全局感知野下的特征矩阵级别的空间语义融合式表达，从而实现所述建筑元素全局特征矩阵和所述注意力空间特征矩阵的空间共享上下文语义的同化(assimilation)融合，以提升所述建筑元素全局强化特征矩阵对所述建筑元素全局特征矩阵和所述注意力空间特征矩阵的融合效果，也就提升了所述建筑元素全局强化特征矩阵通过基于对抗生成网络的生成器得到的三维建筑模型的准确性。这样，能够基于平面图自动且精准地生成三维建筑模型，从而提高建筑设计的效率和准确性。
图3为根据本申请实施例的基于平面图的三维建筑模型生成方法中卷积神经网络编码的流程图。如图3所示，在所述卷积神经网络编码过程中，包括：S210，使用所述卷积神经网络模型的各层在层的正向传递中分别对所述多个图像元素块的序列分别进行卷积处理、基于沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始建筑元素特征矩阵；以及，S220，将所述多个初始建筑元素特征矩阵输入所述卷积神经网络模型的空间注意力层以得到所述多个初始建筑元素特征矩阵。
更具体地，在步骤S140中，将所述多个建筑元素特征矩阵按照图像分块的位置排列为建筑元素全局特征矩阵。应可以理解，在基于平面图的三维建筑模型生成方法中，每个建筑元素通常都包含位置和形状信息。在进行三维建模时，需要考虑多个建筑元素之间的位置关系和交互作用，以生成完整的三维场景。因此，将所述多个建筑元素特征矩阵按照它们在原始平面图中的位置排列，可以更好地反映它们之间的位置关系。具体来说，在图像分块的位置排列后，可以更方便地识别、比较和处理这些元素的特征信息，从而提高算法的准确性和效率。
更具体地，在步骤S150中，将所述建筑元素全局特征矩阵通过双向注意力机制模块以得到建筑元素全局强化特征矩阵。考虑到由于建筑元素之间的全局关联特征复杂多样,保留和传递浅层细节特征对提高算法分割准确率非常重要。因此，期望在U-Net网络中,通过跳跃连接将编码器的特征信息直接传递到解码器,实现浅层特征与深层特征融合,补充解码器细节特征信息,但这种在同尺度之间特征直接传递的方式过于简单，没有对各个建筑元素特征信息进行筛选，例如无用的位置和形状特征信息,进而无法准确对三维建筑模型进行设计构建。因此，在本申请的技术方案中，使用双向注意力机制模块来对所述建筑元素全局特征矩阵进行处理以得到建筑元素全局强化特征矩阵。这样，能够充分利用上下文信息来增强所述各个建筑元素之间的隐含关联特征响应和抑制背景特征响应。具体地，所述双向注意力模块分别从水平方向和垂直方向对整个建筑元素全局特征矩阵的注意力权重校准并获取复杂特征关系,从而能够从空间的全局特征中获取局部特征信息。
图4为根据本申请实施例的基于平面图的三维建筑模型生成方法中双向注意力增强过程的流程图。如图4所示，在所述双向注意力增强过程中，包括：S310，将所述建筑元素全局特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；S320，对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；S330，将所述双向关联矩阵输入Sigmoid激活函数以得到注意力空间特征矩阵；S340，融合所述建筑元素全局特征矩阵和所述注意力空间特征矩阵以得到所述建筑元素全局强化特征矩阵。
更具体地，在步骤S160中，将所述建筑元素全局强化特征矩阵通过基于对抗生成网络的生成器以得到三维建筑模型。也就是，在得到所述建筑元素全局强化特征矩阵后，进一步将其通过基于对抗生成网络的生成器以得到三维建筑模型。更具体地，将所述建筑元素全局强化特征矩阵输入所述基于对抗生成网络的生成器以由所述生成器通过至少一次反卷积编码生成所述三维建筑模型。其中，所述对抗生成网络包括鉴别器和生成器。
综上，根据本申请实施例的基于平面图的三维建筑模型生成方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出三维建筑的平面图中关于各个元素的隐含特征，以此来生成更为精准的三维建筑模型，从而提高建筑设计的效率和准确性。
示例性系统
图5为根据本申请实施例的基于平面图的三维建筑模型生成系统的框图。如图5所示，根据本申请实施例的基于平面图的三维建筑模型生成系统300，包括：图像获取模块310；图像分块模块320；卷积模块330；排列模块340；双向注意力增强模块350；以及，对抗生成模块360。
其中，所述图像获取模块310，用于获取待重构三维建筑的平面图；所述图像分块模块320，用于基于所述平面图中各个元素在所述平面图中的位置，对所述平面图进行图像分块处理以得到多个图像元素块的序列，其中，所述元素包括墙体、门窗、楼梯和房间；所述卷积模块330，用于将所述多个图像元素块的序列分别通过使用空间注意力机制的卷积神经网络模型以得到多个建筑元素特征矩阵；所述排列模块340，用于将所述多个建筑元素特征矩阵按照图像分块的位置排列为建筑元素全局特征矩阵；所述双向注意力增强模块350，用于将所述建筑元素全局特征矩阵通过双向注意力机制模块以得到建筑元素全局强化特征矩阵；以及，所述对抗生成模块360，用于将所述建筑元素全局强化特征矩阵通过基于对抗生成网络的生成器以得到三维建筑模型。
在一个示例中，在上述基于平面图的三维建筑模型生成系统300中，所述卷积模块330，用于：使用所述卷积神经网络模型的各层在层的正向传递中分别对所述多个图像元素块的序列分别进行卷积处理、基于沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始建筑元素特征矩阵；以及，将所述多个初始建筑元素特征矩阵输入所述卷积神经网络模型的空间注意力层以得到所述多个初始建筑元素特征矩阵。
在一个示例中，在上述基于平面图的三维建筑模型生成系统300中，所述双向注意力增强模块350，用于：将所述建筑元素全局特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到注意力空间特征矩阵；融合所述建筑元素全局特征矩阵和所述注意力空间特征矩阵以得到所述建筑元素全局强化特征矩阵。其中，融合所述建筑元素全局特征矩阵和所述注意力空间特征矩阵以得到所述建筑元素全局强化特征矩阵，包括：以如下优化公式对所述建筑元素全局特征矩阵和所述注意力空间特征矩阵进行全局上下文空间关联富化融合以得到所述建筑元素全局强化特征矩阵；其中，所述优化公式为：
其中，M1和M2分别是所述建筑元素全局特征矩阵和所述注意力空间特征矩阵，且Mf是所述建筑元素全局强化特征矩阵，和/>分别是矩阵乘法和矩阵加法。
在一个示例中，在上述基于平面图的三维建筑模型生成系统300中，所述对抗生成模块360，用于：将所述建筑元素全局强化特征矩阵输入所述基于对抗生成网络的生成器以由所述生成器通过至少一次反卷积编码生成所述三维建筑模型。
综上，根据本申请实施例的基于平面图的三维建筑模型生成系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出三维建筑的平面图中关于各个元素的隐含特征，以此来生成更为精准的三维建筑模型，从而提高建筑设计的效率和准确性。
如上所述，根据本申请实施例的基于平面图的三维建筑模型生成系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的基于平面图的三维建筑模型生成系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于平面图的三维建筑模型生成系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于平面图的三维建筑模型生成系统300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于平面图的三维建筑模型生成系统300与该终端设备也可以是分立的设备，并且该基于平面图的三维建筑模型生成系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的框图。
如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于平面图的三维建筑模型生成方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如建筑元素全局强化特征矩阵等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括三维建筑模型等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于平面图的三维建筑模型生成方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于平面图的三维建筑模型生成方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (6)

1.一种基于平面图的三维建筑模型生成方法，其特征在于，包括：
获取待重构三维建筑的平面图；
基于所述平面图中各个元素在所述平面图中的位置，对所述平面图进行图像分块处理以得到多个图像元素块的序列，其中，所述元素包括墙体、门窗、楼梯和房间；
将所述多个图像元素块的序列分别通过使用空间注意力机制的卷积神经网络模型以得到多个建筑元素特征矩阵；
将所述多个建筑元素特征矩阵按照图像分块的位置排列为建筑元素全局特征矩阵；
将所述建筑元素全局特征矩阵通过双向注意力机制模块以得到建筑元素全局强化特征矩阵；以及
将所述建筑元素全局强化特征矩阵通过基于对抗生成网络的生成器以得到三维建筑模型；
其中，将所述多个图像元素块的序列分别通过使用空间注意力机制的卷积神经网络模型以得到多个建筑元素特征矩阵，包括：
使用所述卷积神经网络模型的各层在层的正向传递中分别对所述多个图像元素块的序列分别进行卷积处理、基于沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始建筑元素特征矩阵；以及
将所述多个初始建筑元素特征矩阵输入所述卷积神经网络模型的空间注意力层以得到所述多个初始建筑元素特征矩阵；
其中，将所述建筑元素全局特征矩阵通过双向注意力机制模块以得到建筑元素全局强化特征矩阵，包括：
将所述建筑元素全局特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；
对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；
将所述双向关联矩阵输入Sigmoid激活函数以得到注意力空间特征矩阵；
融合所述建筑元素全局特征矩阵和所述注意力空间特征矩阵以得到所述建筑元素全局强化特征矩阵。
2.根据权利要求1所述的基于平面图的三维建筑模型生成方法，其特征在于，融合所述建筑元素全局特征矩阵和所述注意力空间特征矩阵以得到所述建筑元素全局强化特征矩阵，包括：
以如下优化公式对所述建筑元素全局特征矩阵和所述注意力空间特征矩阵进行全局上下文空间关联富化融合以得到所述建筑元素全局强化特征矩阵；
其中，所述优化公式为：
其中，M1和M2分别是所述建筑元素全局特征矩阵和所述注意力空间特征矩阵，且Mf是所述建筑元素全局强化特征矩阵，和/>分别是矩阵乘法和矩阵加法。
3.根据权利要求2所述的基于平面图的三维建筑模型生成方法，其特征在于，所述对抗生成网络包括鉴别器和生成器。
4.根据权利要求3所述的基于平面图的三维建筑模型生成方法，其特征在于，将所述建筑元素全局强化特征矩阵通过基于对抗生成网络的生成器以得到三维建筑模型，包括：将所述建筑元素全局强化特征矩阵输入所述基于对抗生成网络的生成器以由所述生成器通过至少一次反卷积编码生成所述三维建筑模型。
5.一种基于平面图的三维建筑模型生成系统，其特征在于，包括：
图像获取模块，用于获取待重构三维建筑的平面图；
图像分块模块，用于基于所述平面图中各个元素在所述平面图中的位置，对所述平面图进行图像分块处理以得到多个图像元素块的序列，其中，所述元素包括墙体、门窗、楼梯和房间；
卷积模块，用于将所述多个图像元素块的序列分别通过使用空间注意力机制的卷积神经网络模型以得到多个建筑元素特征矩阵；
排列模块，用于将所述多个建筑元素特征矩阵按照图像分块的位置排列为建筑元素全局特征矩阵；
双向注意力增强模块，用于将所述建筑元素全局特征矩阵通过双向注意力机制模块以得到建筑元素全局强化特征矩阵；以及
对抗生成模块，用于将所述建筑元素全局强化特征矩阵通过基于对抗生成网络的生成器以得到三维建筑模型；
其中，所述卷积模块，用于：
使用所述卷积神经网络模型的各层在层的正向传递中分别对所述多个图像元素块的序列分别进行卷积处理、基于沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始建筑元素特征矩阵；以及
将所述多个初始建筑元素特征矩阵输入所述卷积神经网络模型的空间注意力层以得到所述多个初始建筑元素特征矩阵；
其中，所述双向注意力增强模块，用于：
将所述建筑元素全局特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；
对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；
将所述双向关联矩阵输入Sigmoid激活函数以得到注意力空间特征矩阵；
融合所述建筑元素全局特征矩阵和所述注意力空间特征矩阵以得到所述建筑元素全局强化特征矩阵。
6.根据权利要求5所述的一种基于平面图的三维建筑模型生成系统，其特征在于，所述对抗生成网络包括鉴别器和生成器。
CN202310855984.0A 2023-07-12 2023-07-12 基于平面图的三维建筑模型生成方法及系统 Active CN116958424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310855984.0A CN116958424B (zh) 2023-07-12 2023-07-12 基于平面图的三维建筑模型生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310855984.0A CN116958424B (zh) 2023-07-12 2023-07-12 基于平面图的三维建筑模型生成方法及系统

Publications (2)

Publication Number Publication Date
CN116958424A CN116958424A (zh) 2023-10-27
CN116958424B true CN116958424B (zh) 2024-05-07

Family

ID=88457697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310855984.0A Active CN116958424B (zh) 2023-07-12 2023-07-12 基于平面图的三维建筑模型生成方法及系统

Country Status (1)

Country Link
CN (1) CN116958424B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612906A (zh) * 2020-05-25 2020-09-01 长江大学 一种三维地质模型的生成方法、系统及计算机存储介质
WO2021232589A1 (zh) * 2020-05-21 2021-11-25 平安国际智慧城市科技股份有限公司 基于注意力机制的意图识别方法、装置、设备及存储介质
CN116071650A (zh) * 2023-02-16 2023-05-05 南京信息工程大学 一种融合卷积神经网络与Transformer的遥感影像建筑物提取方法
CN116167148A (zh) * 2023-04-26 2023-05-26 青岛理工大学 基于局域微气候的城市街区形态优化方法及其系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021232589A1 (zh) * 2020-05-21 2021-11-25 平安国际智慧城市科技股份有限公司 基于注意力机制的意图识别方法、装置、设备及存储介质
CN111612906A (zh) * 2020-05-25 2020-09-01 长江大学 一种三维地质模型的生成方法、系统及计算机存储介质
CN116071650A (zh) * 2023-02-16 2023-05-05 南京信息工程大学 一种融合卷积神经网络与Transformer的遥感影像建筑物提取方法
CN116167148A (zh) * 2023-04-26 2023-05-26 青岛理工大学 基于局域微气候的城市街区形态优化方法及其系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于多尺度特征融合模型的遥感图像建筑物分割;徐胜军 等;计算机测量与控制;20200725(第07期);全文 *
室内平面图分块矢量化与高效三维建筑建模;张宏鑫 等;计算机科学与探索;20130115(第01期);全文 *
张宏鑫 等.室内平面图分块矢量化与高效三维建筑建模.计算机科学与探索.2013,(第01期),全文. *
徐胜军 等.基于多尺度特征融合模型的遥感图像建筑物分割.计算机测量与控制.2020,(第07期),全文. *

Also Published As

Publication number Publication date
CN116958424A (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
Brehmer et al. Mining gold from implicit models to improve likelihood-free inference
CN109635511B (zh) 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法
US9928040B2 (en) Source code generation, completion, checking, correction
CN113449857A (zh) 一种数据处理方法和数据处理设备
CN111105029B (zh) 神经网络的生成方法、生成装置和电子设备
US20220207370A1 (en) Inferring device, training device, inferring method, and training method
JP2022529178A (ja) 人工知能推奨モデルの特徴処理方法、装置、電子機器、及びコンピュータプログラム
CN113378989A (zh) 基于复式协同结构特征重组网络的多模态数据融合方法
CN114676704A (zh) 句子情感分析方法、装置、设备以及存储介质
Keshavarzi et al. Genfloor: Interactive generative space layout system via encoded tree graphs
CN115168592B (zh) 基于方面类别的语句情感分析方法、装置以及设备
CN113377914A (zh) 推荐文本生成方法、装置、电子设备和计算机可读介质
CN116665086A (zh) 一种基于学习行为智能分析的教学方法及系统
CN114491726A (zh) 建筑性能分析(bpa)机器：用于促进建筑能量分析的机器学习
KR20220065860A (ko) 이미지 기술 생성 방법, 장치, 시스템, 매체 및 전자 기기
Li et al. Auto completion of user interface layout design using transformer-based tree decoders
CN116307624A (zh) 一种erp系统的资源调度方法及其系统
CN115775116A (zh) 基于bim的路桥工程管理方法及系统
CN116579618A (zh) 基于风险管理的数据处理方法、装置、设备及存储介质
De Lucia et al. Geochemical and reactive transport modelling in R with the RedModRphree package
WO2022247092A1 (en) Methods and systems for congestion prediction in logic synthesis using graph neural networks
Ye et al. Uncertainty quantification patterns for multiscale models
CN111126221A (zh) 一种融合双向视觉注意力机制的数学公式识别方法及装置
CN116958424B (zh) 基于平面图的三维建筑模型生成方法及系统
US20240028808A1 (en) Method and device for chip layout, computer equipment and medium

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