【技术实现步骤摘要】
一种基于深度神经网络的家居设计方法
本专利技术涉及一种基于深度神经网络的家居设计方法，属于深度学习
技术介绍
深度神经网络(DeepNeuralNetwork,DNN)是目前许多现代AI应用的基础。不同于传统机器学习算法的是，它可以自主地从数据中学习特征，这一过程是不需要人为干预，更智能化，也更加符合人类感知世界的机理。此外，在许多领域中，DNN的准确性已经超过人类，DNN作为一个父类，其包含的主要算法可以分为四个体系：卷积神经网络、深度堆栈自编码网络、循环神经网络、生成对抗网络。其中，卷积神经网络是在空间上的加深、循环神经网络是在时间上的加深。循环神经网络(RecurrentNeuralNetwork,RNN)在实际应用中主要是自然语言处理，其特殊之处在于考虑了上下文信息对结果输出的影响，网络的当前输出yt不仅与当前输入xt有关，还与上一时刻隐藏层的状态ht-1有关，根据ht-1和xt获得新的隐藏层状态ht，决定当前时刻的输出并影响下一时刻。由于RNN的特殊性，其在反向传播的过程中，不仅仅依赖于当前层的网络，还依赖前面若干层的网络，这种传播算法称为随时...
【技术保护点】
1.一种基于深度神经网络的家居设计方法，其特征在于：核心思想是：首先采集家居设计陈列对家居序列进行标注，再基于经过标注的家居序列，即家居摆放顺序生成序列数据；然后设计顺序结构家居预测模型，基于所设计的顺序结构家居预测模型提取家具字符间的结构特征、学习序列数据并对家居摆放顺序进行预测；引入限制家居物体相对尺寸的参数约束，构建双向分层家居预测模型，对于每一层的预测任务都事先给定该层的参数约束，同时在预测阶段利用集束搜索进行参数筛选，即进行层次化递归的多轮预测，预测结果更符合家居设计的实际情况；最后设计针对不同风格的家居预测展示模型，实现应用中对不同设计风格的需求，运用三维引擎进...
【技术特征摘要】
1.一种基于深度神经网络的家居设计方法，其特征在于：核心思想是：首先采集家居设计陈列对家居序列进行标注，再基于经过标注的家居序列，即家居摆放顺序生成序列数据；然后设计顺序结构家居预测模型，基于所设计的顺序结构家居预测模型提取家具字符间的结构特征、学习序列数据并对家居摆放顺序进行预测；引入限制家居物体相对尺寸的参数约束，构建双向分层家居预测模型，对于每一层的预测任务都事先给定该层的参数约束，同时在预测阶段利用集束搜索进行参数筛选，即进行层次化递归的多轮预测，预测结果更符合家居设计的实际情况；最后设计针对不同风格的家居预测展示模型，实现应用中对不同设计风格的需求，运用三维引擎进行三维家居场景绘制，以三维方式直观地证明了模型的有效性和风格学习优势；本发明的目的通过以下技术方案实现：一种基于深度神经网络的家居设计方法包括顺序结构家居预测模型和双向分层家居预测模型，实现方法分为数据预处理阶段、训练阶段、预测阶段以及模型绘制阶段；其中，顺序结构家居预测模型的数据预处理阶段，包括如下步骤：步骤1.将采集得到每一组家居摆放数据，按顺序进行人工标注得到家居序列，该序列分为输入序列和输出序列两部分，生成完整的家居数据集；步骤2.创建对应的家居数据集词汇表，词汇表主要包含特殊标记和家居标记；顺序结构家居预测模型的训练阶段，包括如下步骤：步骤3.序列编码过程，具体为：将步骤1的输入序列作为循环神经网络模型的输入，计算并得到状态序列，该状态序列较为完整地保留了输入序列的结构信息；步骤4.序列解码过程，具体为：对步骤3得到的状态序列加权求和得到当前状态语义向量，该语义向量用于判定模型需要将更多的注意力放于状态序列的哪个位置，使家居的结构信息得以在全部的神经网络模型中传输，将当前状态语义向量作为循环神经网络模型的输入，计算得到出输出序列的概率分布，得到基于循环神经网络的顺序结构家居序列预测模型；顺序结构家居预测模型的预测阶段，具体为：步骤5.将一组部分家居序列输入到步骤4得到的模型，生成并得到完整的家居序列；双向分层家居预测模型的数据预处理阶段，包括如下步骤：步骤6.在步骤1的家居数据集中加入尺寸参数，并创建带尺寸参数的家居数据...
【专利技术属性】
技术研发人员：陈宇峰，李博，吴丹，霍盼盼，陶泽綦，白学营，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。