一种基于深度卷积神经网络的家具检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度卷积神经网络的家具检测方法，包括以下步骤：构建家具检测网络，所述家具检测网络包括由FPN与ResNet101组成的特征提取器、由SSD模型构成的目标检测器；对所述家具检测网络进行训练以确定所述家具检测网络参数，获得家具检测模型；利用所述家具检测模型对待检测家具场景图依次进行特征提取和目标检测后，获得家具及家具类别。还公开了一种基于深度卷积神经网络的家具检测。该家具检测方法和装置能够既快速又准确地检测获得尺寸差距较大的不同类型家具。

【技术实现步骤摘要】
一种基于深度卷积神经网络的家具检测方法及装置
本专利技术属于建筑室内设计
，具体涉及一种基于深度卷积神经网络的家具检测方法及装置。
技术介绍
随着家装特别是软装市场的火爆，“所见即所得”成了每个设计师和客户日益增长的需求。在家装市场中，设计师往往会提供给客户一张家装场景的渲染图，来向客户展示家装设计的细节。但是从渲染图到落地这一步，客户往往只能听从设计公司的安排。这种“垄断”的模式严重的限制了客户的选择权，也限制了独立设计师将场景落地的能力。目标检测是计算机视觉的传统任务之一，得益于从手工提取的特征到深度学习的特征，最近几年目标检测得到了质的飞跃，特别是FasterRCNN，SSD以及YOLO使用了深度学习的方法，给目标检测带来了一次变革。但是针对家装这个特殊的运用场景，目前的目标检测算法存在以下不足：(1)学术界上，目标检测是运用在一个由人力精心挑选的标准数据集上，即将标准数据集分成训练集和测试集，利用训练集训练目标检测模型，并利用检测好的目标检测模型对测试集进行测试，以检验目标检测模型的好坏。但是在实际应用场景中，获得类似的标准数据集成本过高，且低质量数据直接影响现有目标检本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的家具检测方法，包括以下步骤：构建家具检测网络，所述家具检测网络包括由FPN与ResNet101组成的特征提取器、由SSD模型构成的目标检测器；对所述家具检测网络进行训练以确定所述家具检测网络参数，获得家具检测模型；利用所述家具检测模型对待检测家具场景图依次进行特征提取和目标检测后，获得家具及家具类别。

【技术特征摘要】
1.一种基于深度卷积神经网络的家具检测方法，包括以下步骤：构建家具检测网络，所述家具检测网络包括由FPN与ResNet101组成的特征提取器、由SSD模型构成的目标检测器；对所述家具检测网络进行训练以确定所述家具检测网络参数，获得家具检测模型；利用所述家具检测模型对待检测家具场景图依次进行特征提取和目标检测后，获得家具及家具类别。2.如权利要求1所述的基于深度卷积神经网络的家具检测方法，其特征在于，所述对所述家具检测网络进行训练以确定所述家具检测网络参数包括：利用非最大值抑制算法对所述家具检测网络的输出结果进行择优筛选，以确定预测概率最大的候选框对应的家具；以FocalLoss和L1Loss作为所述家具检测网络的损失函数，根据家具的最大预测概率与真值计算家具检测网络的损失函数值，并根据损失函数值采用反向传播算法更新家具检测网络参数。3.如权利要求2所述的基于深度卷积神经网络的家具检测方法，其特征在于，在更新家具检测网络参数过程中，引入梯度裁剪方法限制家具检测网络的梯度爆炸。4.如权利要求1所述的基于深度卷积神经网络的家具检测方法，其特征在于，所述家具检测方法还包括：当需要检测获得主体家具时，根据家具对应的候选框在待检测家具场景图中的位置关系和候选框对应的概率，在所述家具检测模型输出的所有家具中进行筛选，以确定主体家具。5.如权...

【专利技术属性】
技术研发人员：董骐德，
申请(专利权)人：杭州群核信息技术有限公司，
类型：发明
国别省市：浙江,33