CN118013621B - 用于室内设计的智能数据处理系统及其方法 - Google Patents
用于室内设计的智能数据处理系统及其方法 Download PDFInfo
- Publication number
- CN118013621B CN118013621B CN202410140619.6A CN202410140619A CN118013621B CN 118013621 B CN118013621 B CN 118013621B CN 202410140619 A CN202410140619 A CN 202410140619A CN 118013621 B CN118013621 B CN 118013621B
- Authority
- CN
- China
- Prior art keywords
- semantic
- design scheme
- alternative design
- feature vector
- feature
- 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
- 238000013461 design Methods 0.000 title claims abstract description 371
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 167
- 230000003993 interaction Effects 0.000 claims abstract description 74
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims description 41
- 238000003672 processing method Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 7
- 238000005034 decoration Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 101100001674 Emericella variicolor andI gene Proteins 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Civil Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Architecture (AREA)
- General Health & Medical Sciences (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种用于室内设计的智能数据处理系统及其方法,其获取备选设计方案;提取备选设计方案的文本描述部分和设计图像部分;对备选设计方案的文本描述部分和设计图像部分进行特征提取和跨模态特征交互以得到备选设计方案多模态交互语义特征向量;获取客户需求的文本描述;对客户需求的文本描述进行语义编码以得到客户需求上下文语义关联特征向量;基于备选设计方案多模态交互语义特征向量和客户需求上下文语义关联特征向量之间的语义差异特征来确定备选设计方案与客户需求的匹配度是否达到预定要求。这样,可以选择符合客户需求的设计方案,进而满足客户对室内环境的需求和期望,提高客户对设计成果的满意度。
Description
技术领域
本发明涉及智能化数据处理技术领域,尤其涉及一种用于室内设计的智能数据处理系统及其方法。
背景技术
室内设计是指为满足一定的建造目的(包括人们对它的使用功能的要求、对它的视觉感受的要求)而进行的准备工作,对现有的建筑物内部空间进行深加工的增值准备工作。目的是为了让具体的物质材料在技术、经济等方面,在可行性的有限条件下形成能够成为合格产品的准备工作。室内设计是从建筑设计中的装饰部分演变出来的,其是对建筑物内部环境的再创造。要设计好房间,必须有一个统一的、科学的室内设计方案,并严格按照方案来进行装修,达到设计方案先进经济合理、“骨肉”协调、舒适度高的综合效果,创造功能合理、舒适优美、满足人们物质和精神生活需要的室内环境。房间的复杂多样化特性决定了室内设计是随客户主观意识与各种客观条件来进行长期调整、不断修订、持续改进和完善的复杂的连续决策过程。
正是由于室内设计涉及专业知识面广,需要用到大量相关专业领域的知识,并且不同室内设计方案的设计侧重要素以及相关设计人员的知识掌握程度不同,会导致最后设计水平参差不齐,设计方案千差万别,并且客户常常不能完全理解设计方案,不能提出行之有效的建议和进一步的需求,导致室内设计的实施效率低,大概率遗漏重要的设计事项,最后导致装修成果与客户需求或者设计构想的一致性较差。
因此,期待一种用于室内设计的智能数据处理系统及其方法。
发明内容
本发明实施例提供一种用于室内设计的智能数据处理系统及其方法,其获取备选设计方案;提取备选设计方案的文本描述部分和设计图像部分;对备选设计方案的文本描述部分和设计图像部分进行特征提取和跨模态特征交互以得到备选设计方案多模态交互语义特征向量;获取客户需求的文本描述;对客户需求的文本描述进行语义编码以得到客户需求上下文语义关联特征向量;基于备选设计方案多模态交互语义特征向量和客户需求上下文语义关联特征向量之间的语义差异特征来确定备选设计方案与客户需求的匹配度是否达到预定要求。这样,可以选择符合客户需求的设计方案,进而满足客户对室内环境的需求和期望,提高客户对设计成果的满意度。
本发明实施例还提供了一种用于室内设计的智能数据处理方法,其包括:
获取备选设计方案;
提取所述备选设计方案的文本描述部分和设计图像部分;
对所述备选设计方案的文本描述部分和设计图像部分进行特征提取和跨模态特征交互以得到备选设计方案多模态交互语义特征向量;
获取客户需求的文本描述;
对所述客户需求的文本描述进行语义编码以得到客户需求上下文语义关联特征向量;
基于所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义差异特征来确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求。
本发明实施例还提供了一种用于室内设计的智能数据处理系统,其包括:
设计方案获取模块,用于获取备选设计方案;
方案提取模块,用于提取所述备选设计方案的文本描述部分和设计图像部分;
特征提取和跨模态特征交互模块,用于对所述备选设计方案的文本描述部分和设计图像部分进行特征提取和跨模态特征交互以得到备选设计方案多模态交互语义特征向量;
文本描述获取模块,用于获取客户需求的文本描述;
语义编码模块,用于对所述客户需求的文本描述进行语义编码以得到客户需求上下文语义关联特征向量;
客户需求的匹配度确定模块,用于基于所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义差异特征来确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求。
附图说明
为了更清楚地说明本发明实施例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,下面描述中的附图仅仅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。在附图中:
图1为本发明实施例中提供的一种用于室内设计的智能数据处理方法的流程图。
图2为本发明实施例中提供的一种用于室内设计的智能数据处理方法的系统架构的示意图。
图3为本发明实施例中提供的一种用于室内设计的智能数据处理系统的框图。
图4为本发明实施例中提供的一种用于室内设计的智能数据处理方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
室内设计是一门综合性的学科,涉及到建筑学、艺术设计、人文科学等多个领域。室内设计师通过对空间的规划、布局、装饰和功能性的设计,创造出满足人们居住、工作、休闲等需求的室内环境。室内设计的主要任务是在满足功能需求的基础上,通过合理的空间布局和装饰手法,创造出美观、舒适、实用的室内环境,室内设计师需要考虑到人们的行为习惯、人体工程学、环境保护等因素,使设计的空间能够最大程度地满足人们的需求。
室内设计的过程包括需求调研、方案设计、施工图设计、材料选购、施工管理等多个环节,室内设计师需要与建筑师、工程师、材料供应商、施工队等多个专业人员进行合作,确保设计方案的实施和完成。室内设计的应用范围非常广泛,包括住宅、商业空间、办公场所、酒店、展览馆、娱乐场所等各种建筑类型,室内设计的风格也多种多样,可以根据不同的需求和客户的喜好来进行定制。
室内设计的专业知识面广泛,涉及到建筑学、结构学、材料学、色彩学、人体工程学、艺术设计等多个领域。设计师需要对这些领域有一定的了解和掌握,才能够进行全面的室内设计工作。
不同的室内设计方案设计侧重要素也不同。例如,对于住宅室内设计,设计师需要考虑到住户的生活习惯、家庭成员的需求、空间的功能分区等因素;而对于商业空间的设计,设计师则需要考虑到品牌形象、顾客流线、陈列展示等因素。因此,室内设计师需要根据不同的项目类型和客户需求,灵活运用专业知识,制定相应的设计方案。
然而,由于室内设计行业的发展相对较为分散,设计人员的知识掌握程度参差不齐,有些设计人员可能只掌握了某些特定领域的知识,导致在整体设计过程中可能会忽略其他重要的设计要素。这也是导致设计方案差异较大的原因之一。另外,由于室内设计方案往往是设计师与客户之间的合作产物,客户对于设计方案的理解和能力也会影响到设计的实施效果。有些客户可能对于专业术语和设计概念不太熟悉,难以准确理解设计师的意图,这会导致在设计方案的沟通和修改过程中存在一定的困难,可能无法提出行之有效的建议和进一步的需求。
以上种种因素都可能导致室内设计的实施效率低下,可能会遗漏重要的设计事项,最终导致装修成果与客户需求或设计构想的一致性较差。因此,在本申请中,提供一种用于室内设计的智能数据处理系统及其方法。
在本发明的一个实施例中,图1为本发明实施例中提供的一种用于室内设计的智能数据处理方法的流程图。图2为本发明实施例中提供的一种用于室内设计的智能数据处理方法的系统架构的示意图。如图1和图2所示,根据本发明实施例的用于室内设计的智能数据处理方法,包括:110,获取备选设计方案;120,提取所述备选设计方案的文本描述部分和设计图像部分;130,对所述备选设计方案的文本描述部分和设计图像部分进行特征提取和跨模态特征交互以得到备选设计方案多模态交互语义特征向量;140,获取客户需求的文本描述;150,对所述客户需求的文本描述进行语义编码以得到客户需求上下文语义关联特征向量;160,基于所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义差异特征来确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求。
在所述步骤110中,在获取备选设计方案时,首先,要确保备选设计方案的来源可靠和具有一定的质量保证,可以通过查找专业的设计公司、平台或者与室内设计相关的展览、比赛等途径获得备选设计方案;其次,要根据项目类型和客户需求来筛选备选设计方案,确保其与实际需求相符合;最后,还要尽量获取多样化的备选设计方案,以便进行比较和选择。
在所述步骤120中,在提取备选设计方案的文本描述部分和设计图像部分时,注意确保提取的信息完整、准确,并且与原始设计方案一致。对于文本描述部分,可以将设计方案的文字说明、设计思路、功能布局等内容提取出来,对于设计图像部分,可以提取设计方案的平面布局图、透视图、渲染图等图像信息。
在所述步骤130中,在对备选设计方案进行特征提取和跨模态特征交互时,可以利用计算机视觉和自然语言处理等技术方法。对于文本描述部分,可以使用自然语言处理方法进行语义分析和特征提取,如词袋模型、词向量表示等。对于设计图像部分,可以使用计算机视觉方法提取图像特征,如颜色、纹理、形状等,然后,可以通过跨模态特征交互,将文本描述部分和设计图像部分的特征进行融合,得到备选设计方案的多模态交互语义特征向量。
在所述步骤140中,在获取客户需求的文本描述时,确保与客户进行充分的沟通和交流,了解他们的具体需求和喜好。可以通过面对面的会议、问卷调查、访谈等方式获取客户需求的文本描述,在获取过程中,要注意细节的记录和准确的表达,确保客户需求的完整性和准确性。
在所述步骤150中, 在对客户需求的文本描述进行语义编码时,可以使用自然语言处理技术。可以将客户需求的文本描述进行语义分析、词向量表示等处理,将其转化为客户需求上下文语义关联特征向量,通过语义编码,可以更好地理解客户的需求,并将其转化为可计算的特征向量。
在所述步骤160中,在确定设计方案与客户需求的匹配度时,可以基于多模态交互语义特征向量和客户需求上下文语义关联特征向量之间的语义差异特征进行评估。可以使用相似度计算方法,如余弦相似度、欧氏距离等,来衡量设计方案与客户需求之间的匹配度,通过对匹配度的评估,可以判断设计方案是否达到预定要求,并进行进一步的优化和调整。
通过上述步骤,可以提高室内设计方案与客户需求的匹配度和满足度。通过对备选设计方案和客户需求的特征提取和语义分析,可以更全面、准确地理解客户需求,并将其转化为可计算的特征向量。通过匹配度的评估,可以更好地选择和优化设计方案,使其更符合客户的期望和要求,这样可以提高室内设计的质量和效果,增加客户的满意度和体验感。
针对上述技术问题,本申请的技术构思为通过智能化算法对客户需求和室内设计的备选设计方案进行语义分析和语义匹配,以选择符合客户需求的设计方案,进而满足客户对室内环境的需求和期望,提高客户对设计成果的满意度。
基于此,在本申请的技术方案中,首先获取备选设计方案;并提取所述备选设计方案的文本描述部分和设计图像部分。这里,所述备选设计方案通常由设计师或设计团队提供。值得一提的是,在本申请的实际应用场景中,可能需要对不同的备选设计方案和客户需求进行多轮次的语义匹配,才能找到符合客户需求的设计方案,在此只说明在已经选定备选设计方案的情况下对备选设计方案与客户需求进行语义匹配的一轮过程。其中,不同的备选设计方案可能存在不同的设计风格、布局方案和材料选择,这些信息将影响与客户需求之间的匹配程度。此外,备选设计方案通常由文本描述部分和设计图像部分构成,文本描述部分包含了设计思路、概念描述、功能要求等信息,而设计图像部分则包含了设计方案的平面布局、立面效果、材料选择等视觉信息。通过提取备选设计方案的文本描述部分和设计图像部分,可以分别对文本描述部分和设计图像部分进行不同的处理以学习其中所蕴含的隐含特征信息。
在本申请的一个实施例中,对所述备选设计方案的文本描述部分和设计图像部分进行特征提取和跨模态特征交互以得到备选设计方案多模态交互语义特征向量,包括:对所述备选设计方案的文本描述部分进行语义分析以得到备选方案文本上下文语义特征向量的序列;利用深度学习网络模型对所述备选设计方案的设计图像部分进行图像语义特征提取以得到设计方案图像语义特征图;将所述备选方案文本上下文语义特征向量的序列和所述设计方案图像语义特征图通过跨模态特征耦合嵌入模块以得到所述备选设计方案多模态交互语义特征向量。
接着,对所述备选设计方案的文本描述部分进行基于词粒度的划分以得到备选设计方案词的序列;再对所述备选设计方案词的序列进行语义编码以得到备选方案文本上下文语义特征向量的序列。这里,通过对备选设计方案的文本描述部分进行基于词粒度的划分可以将文本描述拆分成一个个独立的词语,以便更好地理解备选设计方案的语义信息。再对备选设计方案词的序列进行语义编码可以捕捉备选设计方案的文本描述部分所表达的语义含义和上下文关联。
在本申请的一个具体实施例中,对所述备选设计方案的文本描述部分进行语义分析以得到备选方案文本上下文语义特征向量的序列,包括:对所述备选设计方案的文本描述部分进行基于词粒度的划分以得到备选设计方案词的序列;对所述备选设计方案词的序列进行语义编码以得到所述备选方案文本上下文语义特征向量的序列。
同时,将所述备选设计方案的设计图像部分通过基于卷积神经网络模型的设计图像特征提取器以得到设计方案图像语义特征图。也就是,利用卷积神经网络模型来构建设计图像特征提取器来捕捉设计图像部分的隐含视觉特征信息。
在本申请的一个具体实施例中,所述深度学习网络模型为基于卷积神经网络模型的设计图像特征提取器;其中,所述基于卷积神经网络模型的设计图像特征提取器,包括:输入层、卷积层、池化层、激活层和输出层。
具体地,利用深度学习网络模型对所述备选设计方案的设计图像部分进行图像语义特征提取以得到设计方案图像语义特征图,包括:将所述备选设计方案的设计图像部分通过所述基于卷积神经网络模型的设计图像特征提取器以得到所述设计方案图像语义特征图。
应可以理解,所述备选方案文本上下文语义特征向量的序列和所述设计方案图像语义特征图分别表示文本描述部分的语义特征信息和设计图像部分的视觉图像特征信息。但单独使用文本或图像特征可能无法全面表达备选设计方案的设计理念和整体设计思路。因而在本申请的技术方案中,将所述备选方案文本上下文语义特征向量的序列和所述设计方案图像语义特征图通过跨模态特征耦合嵌入模块以得到备选设计方案多模态交互语义特征向量。这样,通过所述跨模态特征耦合嵌入模块以使得两者保留各自语义信息的基础上实现跨模态的特征融合和交互,以更全面地表达备选设计方案的语义含义。
同时,获取客户需求的文本描述;并对所述客户需求的文本描述进行语义编码以得到客户需求上下文语义关联特征向量。其中,客户需求通常由客户提供,包括对空间功能、风格偏好、材料选择、色彩喜好等方面的描述。通过获取客户需求的文本描述,可以获得客户对室内环境的期望和需求,为后续的设计方案选择和匹配提供依据。此外,对客户需求的文本描述进行语义编码可以捕捉文本描述中的语义含义和上下文关联,将其转化为机器可理解的表示形式。
在本申请的一个具体实施例中,基于所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义差异特征来确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求,包括:计算所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义交叉差异度量系数以得到备选设计方案-客户需求语义差异度量特征向量;基于所述备选设计方案-客户需求语义差异度量特征向量来确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求。
进一步地,计算所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义交叉差异度量系数以得到备选设计方案-客户需求语义差异度量特征向量。也就是,以所述语义交叉差异度量系数来衡量衡量备选设计方案与客户需求之间的语义差异程度,从而量化备选设计方案与客户需求之间的匹配程度。
在本申请的一个具体示例中,计算所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义交叉差异度量系数以得到备选设计方案-客户需求语义差异度量特征向量的实现方式是以如下语义交叉差异度量公式来计算所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义交叉差异度量系数以得到所述备选设计方案-客户需求语义差异度量特征向量;其中,所述语义交叉差异度量公式为:;其中,是所述备选设计方案多模态交互语义特征向量中第个特征值,是所述客户需求上下文语义关联特征向量中第个特征值,是所述备选设计方案-客户需求语义差异度量特征向量中第个特征值,表示以2为底的对数函数。
特别地,通过计算对应特征值之间的语义交叉差异度量系数可以使得在以像素级体现出所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的交叉性差异,即客户需求上下文语义关联特征向量相对于备选设计方案多模态交互语义特征向量的差异,和备选设计方案多模态交互语义特征向量相对于客户需求上下文语义关联特征向量的差异的同时,考虑备选设计方案多模态交互语义特征向量和客户需求上下文语义关联特征向量在全局意义上的统计差异。因此,这种兼顾像素级和全局性统计意义的交叉性差异可以提取出备选设计方案和客户需求之间的细粒度和具有全局性统计意义的语义差异性。
在本申请的一个实施例中,基于所述备选设计方案-客户需求语义差异度量特征向量来确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求,包括:对所述备选设计方案-客户需求语义差异度量特征向量进行特征分布校正以得到校正后备选设计方案-客户需求语义差异度量特征向量;将所述校正后备选设计方案-客户需求语义差异度量特征向量通过分类器以得到分类结果,所述分类结果用于表示所述备选设计方案与所述客户需求的匹配度是否达到预定要求。
在上述技术方案中,所述备选设计方案多模态交互语义特征向量表达所述备选设计方案的文本描述部分的文本语义特征和设计图像部分的图像语义特征的跨模态融合特征,且所述客户需求上下文语义关联特征向量表达所述客户需求的文本描述的文本语义特征,这样,在计算所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义交叉差异度量系数时,期望抑制由于所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量的逐特征值显性差异导致的在高维特征空间内基于与不同几何变换对应的特征分布方向的特征分布信息不一致,从而提升基于所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量各自的整体语义分布的语义交叉差异度量系数的计算准确性,提升所述备选设计方案-客户需求语义差异度量特征向量的表达效果。
因此,本申请的申请人首先将所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量通过线性变换转换为相同长度,再进一步进行融合校正,以获得校正特征向量,具体为:以如下优化公式对所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量通过线性变换转换为相同长度,再进一步进行融合校正,以获得校正特征向量;其中,所述优化公式为:;其中,是所述备选设计方案多模态交互语义特征向量,且是所述客户需求上下文语义关联特征向量,和分别是所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量的特征值,表示以2为底的对数函数值,所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量的长度为,且是权重超参数,是所述校正特征向量的特征值;以及,将所述校正特征向量与所述备选设计方案-客户需求语义差异度量特征向量进行融合以得到校正后备选设计方案-客户需求语义差异度量特征向量。
这里,为了增强所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量的分布信息一致性,通过所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量的特征尺度和结构表示来预定义分布回归的绝对坐标以作为特征值交叉几何配准的基准,这样,可以保持信息分布的刚性网格一致性,并利用概率倒角(chamfer)损失的思路来惩罚特征分布信息表示之间的基于距离的不对齐和不完全重叠,以实现所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量的分布信息一致性表示。这样,再以由组成的校正特征向量与所述备选设计方案-客户需求语义差异度量特征向量进行融合,就可以提升所述备选设计方案-客户需求语义差异度量特征向量的基于语义交叉差异度量系数的计算准确性,从而改进其通过分类器得到的分类结果的准确性。
继而,将所述校正后备选设计方案-客户需求语义差异度量特征向量通过分类器以得到分类结果,所述分类结果用于表示所述备选设计方案与所述客户需求的匹配度是否达到预定要求。
在本申请的一个具体实施例中,将所述校正后备选设计方案-客户需求语义差异度量特征向量通过分类器以得到分类结果,所述分类结果用于表示所述备选设计方案与所述客户需求的匹配度是否达到预定要求,包括:使用所述分类器的多个全连接层对所述校正后备选设计方案-客户需求语义差异度量特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本发明实施例的用于室内设计的智能数据处理方法被阐明,其通过智能化算法对客户需求和室内设计的备选设计方案进行语义分析和语义匹配,以选择符合客户需求的设计方案,进而满足客户对室内环境的需求和期望,提高客户对设计成果的满意度。
图3为本发明实施例中提供的一种用于室内设计的智能数据处理系统的框图。如图3所示,所述用于室内设计的智能数据处理系统200,包括:设计方案获取模块210,用于获取备选设计方案;方案提取模块220,用于提取所述备选设计方案的文本描述部分和设计图像部分;特征提取和跨模态特征交互模块230,用于对所述备选设计方案的文本描述部分和设计图像部分进行特征提取和跨模态特征交互以得到备选设计方案多模态交互语义特征向量;文本描述获取模块240,用于获取客户需求的文本描述;语义编码模块250,用于对所述客户需求的文本描述进行语义编码以得到客户需求上下文语义关联特征向量;客户需求的匹配度确定模块260,用于基于所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义差异特征来确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求。
本领域技术人员可以理解,上述用于室内设计的智能数据处理系统中的各个步骤的具体操作已经在上面参考图1到图2的用于室内设计的智能数据处理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本发明实施例的用于室内设计的智能数据处理系统200可以实现在各种终端设备中,例如用于室内设计的智能数据处理的服务器等。在一个示例中,根据本发明实施例的用于室内设计的智能数据处理系统200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,该用于室内设计的智能数据处理系统200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,该用于室内设计的智能数据处理系统200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,该用于室内设计的智能数据处理系统200与该终端设备也可以是分立的设备,并且该用于室内设计的智能数据处理系统200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。
图4为本发明实施例中提供的一种用于室内设计的智能数据处理方法的应用场景图。如图4所示,在该应用场景中,首先,获取备选设计方案(例如,如图4中所示意的C1);以及,获取客户需求的文本描述(例如,如图4中所示意的C2);然后,将获取的备选设计方案和客户需求的文本描述输入至部署有用于室内设计的智能数据处理算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于用于室内设计的智能数据处理算法对所述备选设计方案和所述客户需求的文本描述进行处理,以确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种用于室内设计的智能数据处理方法,其特征在于,包括:
获取备选设计方案;
提取所述备选设计方案的文本描述部分和设计图像部分;
对所述备选设计方案的文本描述部分和设计图像部分进行特征提取和跨模态特征交互以得到备选设计方案多模态交互语义特征向量;
获取客户需求的文本描述;
对所述客户需求的文本描述进行语义编码以得到客户需求上下文语义关联特征向量;
基于所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义差异特征来确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求;
其中,对所述备选设计方案的文本描述部分和设计图像部分进行特征提取和跨模态特征交互以得到备选设计方案多模态交互语义特征向量,包括:
对所述备选设计方案的文本描述部分进行语义分析以得到备选方案文本上下文语义特征向量的序列;
利用深度学习网络模型对所述备选设计方案的设计图像部分进行图像语义特征提取以得到设计方案图像语义特征图;
将所述备选方案文本上下文语义特征向量的序列和所述设计方案图像语义特征图通过跨模态特征耦合嵌入模块以得到所述备选设计方案多模态交互语义特征向量;
其中,对所述备选设计方案的文本描述部分进行语义分析以得到备选方案文本上下文语义特征向量的序列,包括:
对所述备选设计方案的文本描述部分进行基于词粒度的划分以得到备选设计方案词的序列;
对所述备选设计方案词的序列进行语义编码以得到所述备选方案文本上下文语义特征向量的序列;
其中,基于所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义差异特征来确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求,包括:
计算所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义交叉差异度量系数以得到备选设计方案-客户需求语义差异度量特征向量;
基于所述备选设计方案-客户需求语义差异度量特征向量来确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求;
其中,计算所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义交叉差异度量系数以得到备选设计方案-客户需求语义差异度量特征向量,包括:
以如下语义交叉差异度量公式来计算所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义交叉差异度量系数以得到所述备选设计方案-客户需求语义差异度量特征向量;其中,所述语义交叉差异度量公式为:
其中,q(i)是所述备选设计方案多模态交互语义特征向量中第i个特征值,p(i)是所述客户需求上下文语义关联特征向量中第i个特征值,是所述备选设计方案-客户需求语义差异度量特征向量中第i个特征值;
其中,基于所述备选设计方案-客户需求语义差异度量特征向量来确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求,包括:
对所述备选设计方案-客户需求语义差异度量特征向量进行特征分布校正以得到校正后备选设计方案-客户需求语义差异度量特征向量;
将所述校正后备选设计方案-客户需求语义差异度量特征向量通过分类器以得到分类结果,所述分类结果用于表示所述备选设计方案与所述客户需求的匹配度是否达到预定要求。
2.根据权利要求1所述的用于室内设计的智能数据处理方法,其特征在于,所述深度学习网络模型为基于卷积神经网络模型的设计图像特征提取器;其中,所述基于卷积神经网络模型的设计图像特征提取器,包括:输入层、卷积层、池化层、激活层和输出层。
3.根据权利要求2所述的用于室内设计的智能数据处理方法,其特征在于,利用深度学习网络模型对所述备选设计方案的设计图像部分进行图像语义特征提取以得到设计方案图像语义特征图,包括:
将所述备选设计方案的设计图像部分通过所述基于卷积神经网络模型的设计图像特征提取器以得到所述设计方案图像语义特征图。
4.根据权利要求3所述的用于室内设计的智能数据处理方法,其特征在于,将所述校正后备选设计方案-客户需求语义差异度量特征向量通过分类器以得到分类结果,所述分类结果用于表示所述备选设计方案与所述客户需求的匹配度是否达到预定要求,包括:
使用所述分类器的多个全连接层对所述校正后备选设计方案-客户需求语义差异度量特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
5.一种用于室内设计的智能数据处理系统,其特征在于,包括:
设计方案获取模块,用于获取备选设计方案;
方案提取模块,用于提取所述备选设计方案的文本描述部分和设计图像部分;
特征提取和跨模态特征交互模块,用于对所述备选设计方案的文本描述部分和设计图像部分进行特征提取和跨模态特征交互以得到备选设计方案多模态交互语义特征向量;
文本描述获取模块,用于获取客户需求的文本描述;
语义编码模块,用于对所述客户需求的文本描述进行语义编码以得到客户需求上下文语义关联特征向量;
客户需求的匹配度确定模块,用于基于所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义差异特征来确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求;
其中,对所述备选设计方案的文本描述部分和设计图像部分进行特征提取和跨模态特征交互以得到备选设计方案多模态交互语义特征向量,包括:
对所述备选设计方案的文本描述部分进行语义分析以得到备选方案文本上下文语义特征向量的序列;
利用深度学习网络模型对所述备选设计方案的设计图像部分进行图像语义特征提取以得到设计方案图像语义特征图;
将所述备选方案文本上下文语义特征向量的序列和所述设计方案图像语义特征图通过跨模态特征耦合嵌入模块以得到所述备选设计方案多模态交互语义特征向量;
其中,对所述备选设计方案的文本描述部分进行语义分析以得到备选方案文本上下文语义特征向量的序列,包括:
对所述备选设计方案的文本描述部分进行基于词粒度的划分以得到备选设计方案词的序列;
对所述备选设计方案词的序列进行语义编码以得到所述备选方案文本上下文语义特征向量的序列;
其中,基于所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义差异特征来确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求,包括:
计算所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义交叉差异度量系数以得到备选设计方案-客户需求语义差异度量特征向量;
基于所述备选设计方案-客户需求语义差异度量特征向量来确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求;
其中,计算所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义交叉差异度量系数以得到备选设计方案-客户需求语义差异度量特征向量,包括:
以如下语义交叉差异度量公式来计算所述备选设计方案多模态交互语义特征向量和所述客户需求上下文语义关联特征向量之间的语义交叉差异度量系数以得到所述备选设计方案-客户需求语义差异度量特征向量;其中,所述语义交叉差异度量公式为:
其中,q(i)是所述备选设计方案多模态交互语义特征向量中第i个特征值,p(i)是所述客户需求上下文语义关联特征向量中第i个特征值,是所述备选设计方案-客户需求语义差异度量特征向量中第i个特征值;
其中,基于所述备选设计方案-客户需求语义差异度量特征向量来确定所述备选设计方案与所述客户需求的匹配度是否达到预定要求,包括:
对所述备选设计方案-客户需求语义差异度量特征向量进行特征分布校正以得到校正后备选设计方案-客户需求语义差异度量特征向量;
将所述校正后备选设计方案-客户需求语义差异度量特征向量通过分类器以得到分类结果,所述分类结果用于表示所述备选设计方案与所述客户需求的匹配度是否达到预定要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410140619.6A CN118013621B (zh) | 2024-02-01 | 2024-02-01 | 用于室内设计的智能数据处理系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410140619.6A CN118013621B (zh) | 2024-02-01 | 2024-02-01 | 用于室内设计的智能数据处理系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118013621A CN118013621A (zh) | 2024-05-10 |
CN118013621B true CN118013621B (zh) | 2024-08-02 |
Family
ID=90951608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410140619.6A Active CN118013621B (zh) | 2024-02-01 | 2024-02-01 | 用于室内设计的智能数据处理系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118013621B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118194415B (zh) * | 2024-05-15 | 2024-07-26 | 山东华冠智能卡有限公司 | 基于计算机辅助的建筑空间规划设计方法 |
CN118656906A (zh) * | 2024-08-20 | 2024-09-17 | 北京一起网科技股份有限公司 | 一种用于室内设计的智能数据处理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239237A (zh) * | 2021-07-13 | 2021-08-10 | 北京邮电大学 | 跨媒体大数据搜索方法及装置 |
CN117349406A (zh) * | 2023-10-30 | 2024-01-05 | 山西砥凡达知识产权服务有限公司 | 基于大数据的专利信息检索系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581510B (zh) * | 2020-05-07 | 2024-02-09 | 腾讯科技(深圳)有限公司 | 分享内容处理方法、装置、计算机设备和存储介质 |
CN116450787A (zh) * | 2023-03-27 | 2023-07-18 | 浙江大学 | 一种基于多模态知识增强的生成式对话方法和系统 |
CN117235866A (zh) * | 2023-10-28 | 2023-12-15 | 河南禾而不同规划设计有限公司 | 一种建筑设计数据的管理方法、系统及存储介质 |
-
2024
- 2024-02-01 CN CN202410140619.6A patent/CN118013621B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239237A (zh) * | 2021-07-13 | 2021-08-10 | 北京邮电大学 | 跨媒体大数据搜索方法及装置 |
CN117349406A (zh) * | 2023-10-30 | 2024-01-05 | 山西砥凡达知识产权服务有限公司 | 基于大数据的专利信息检索系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118013621A (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN118013621B (zh) | 用于室内设计的智能数据处理系统及其方法 | |
Liang et al. | SCUT-FBP5500: A diverse benchmark dataset for multi-paradigm facial beauty prediction | |
CN108629338B (zh) | 一种基于lbp和卷积神经网络的人脸美丽预测方法 | |
CN113255052B (zh) | 一种基于虚拟现实的家装方案推荐方法、系统及存储介质 | |
CN110321473B (zh) | 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备 | |
Chen et al. | Consumers' perception-oriented product form design using multiple regression analysis and backpropagation neural network | |
CN117407959A (zh) | Bim模型的分拆展示方法、装置、设备及存储介质 | |
Guoshu et al. | COLOR DESIGN BASED ON KANSEI ENGINEERING AND INTERACTIVE GENETIC ALGORITHM. | |
Zeng et al. | 3D human body reshaping with anthropometric modeling | |
Ding et al. | Multiemotional product color design using gray theory and nondominated sorting genetic algorithm‐III | |
CN106779181B (zh) | 一种基于线性回归因子非负矩阵分解模型的医疗机构推荐方法 | |
CN117456104A (zh) | 一种基于结构功能分析的室内场景三维建模方法与系统 | |
CN115080707A (zh) | 对话生成模型的训练方法、装置、电子设备及存储介质 | |
JP7230288B1 (ja) | 学習モデル | |
JP7160295B1 (ja) | 学習モデルの生成方法、情報処理装置、情報処理方法、コンピュータプログラム | |
JP6320844B2 (ja) | パーツの影響度に基づいて感情を推定する装置、プログラム及び方法 | |
Danckaers et al. | Full body statistical shape modeling with posture normalization | |
Lo | Building a relationship between elements of product form features and vocabulary assessment models | |
CN115269901A (zh) | 拓展图像生成方法、装置和设备 | |
Sardenberg et al. | Aesthetics as a Criterion: Navigating Solution Spaces Utilizing Computer Vision, the Aesthetic Measure, and Artificial Neural Networks | |
Wang | Impact of Brand Marketing Strategies Based on Consumer Purchase Intention Mining | |
JP2002092611A (ja) | 画像処理装置及び画像処理方法並びに記録媒体 | |
CN113297511B (zh) | 商户排序模型的构建方法、装置、服务器及存储介质 | |
Guo et al. | Decision support system for industrial designer based on Kansei engineering | |
CN114821602B (zh) | 训练对抗神经网络生成字库的方法、系统、设备和介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |