一种家居搭配方案生成方法、装置、电子设备和存储介质制造方法及图纸

本申请实施例提供一种家居搭配方案生成方法、装置、电子设备和存储介质，其中，方法包括：构建特征提取模型；训练所述特征提取模型，得到训练后的特征提取模型；构建评分模型；训练所述评分模型，得到训练后的评分模型；确定第一家居；根据所述第一家居，利用集束搜索算法生成所述家居搭配方案，其中，根据所述训练后的特征提取模型和所述训练后的评分模型对所述集束搜索的每步的搜索结果进行筛选，得到所述每步的搜索结果中的匹配方案。实施上述实施例，将素材的搜索结果数学化、抽象化，抽离主观因素，从而使得生成的家具搭配方案的协调性、客观性更高。客观性更高。客观性更高。

【技术实现步骤摘要】
一种家居搭配方案生成方法、装置、电子设备和存储介质


[0001]本申请涉及家居
，具体而言，涉及一种家居搭配方案生成方法、装置、电子设备和计算机可读存储介质。

技术介绍

[0002]现有的家居搭配主题色匹配方法。首先根据每个家居坑位的类别、尺寸到家居素材库中为每个家居坑位选定可用的家具素材，然后根据主题色的相似性来为每个家居坑位确定所填充的家具素材。这种方法仅仅依靠颜色来进行家居素材搭配，容易出现风格不统一不协调的情况，对家居素材搭配的协调性、美观性也缺乏一个客观的评估方式。

技术实现思路

[0003]本申请实施例的目的在于提供一种家居搭配方案生成方法、装置、电子设备和存储介质，能够准确、客观地生成家居搭配方法。
[0004]本申请实施例提供了一种家居搭配方案生成方法，包括：
[0005]构建特征提取模型；
[0006]训练所述特征提取模型，得到训练后的特征提取模型；
[0007]构建评分模型；
[0008]训练所述评分模型，得到训练后的评分模型；
[0009]确定第一家居；
[0010]根据所述第一家居，利用集束搜索算法生成所述家居搭配方案，其中，根据所述训练后的特征提取模型和所述训练后的评分模型对所述集束搜索的每步的搜索结果进行筛选，得到所述每步的搜索结果中的匹配方案。
[0011]在上述实现过程中，与现有技术不同的是，本申请实施例采用特征提取模型评分模型将家居搭配方案，将素材的搜索结果数学化、抽象化，抽离主观因素，从而使得生成的家具搭配方案的协调性、客观性更高。
[0012]进一步地，所述训练所述特征提取模型的步骤，包括：
[0013]从素材库中获取家居序列；
[0014]在素材库中获取所述家居序列中的替换样本对应的多个负素材；
[0015]根据所述家居序列替换样本和所述多个负素材生成第一训练家居序列；
[0016]用掩码将所述家居序列中的替换样本进行替换，得到第二训练家居序列；
[0017]将所述第一训练家居序列和所述第二训练家居序列输入所述特征提取模型，使所述特征提取模型在所述第二训练家居序列中确定所述替换样本。
[0018]在上述实现过程中，负素材和替换样本对应，通过负素材生成第一训练家居序列，用掩码将家居序列中的替换样本进行替换，得到第二训练家居样本，将所述第一训练家居序列和所述第二训练家居序列输入所述特征提取模型，使所述特征提取模型在所述第二训练家居序列中确定所述替换样本。通过不断训练，使得特征提取模型获取家居素材的相同
点和不同点，从而能根据不同素材生成不同的特征向量。
[0019]进一步地，所述训练所述评分模型的步骤，还包括：
[0020]根据所述家居序列和所述多个负素材集合生成第三训练家居序列；
[0021]将所述第二训练家居序列和所述第三训练家居序列输入到所述特征提取模型，使所述特征提取模型学习所述素材库中不同家居素材之间的交互关系。
[0022]在上述实现过程中，基于负素材生成第三训练家居序列，根据第三训练家居序列对特征提取模型进行训练，使得所述特征提取模型学习所述素材库中不同家居素材之间的交互关系，从而能根据不同素材生成不同的特征向量。
[0023]进一步地，所述训练所述特征提取模型的步骤，还包括：
[0024]以交叉熵损失函数作为目标函数；
[0025]当所述交叉熵损失函数收敛时判断所述特征提取模型学会在所述第二训练家居序列中确定所述替换样本。
[0026]进一步地，所述训练所述评分模型的步骤，包括：
[0027]将所述多个负素材分别替换所述家居序列中的替换样本，得到多个第四训练家居序列；
[0028]根据所述训练好的特征提取模型获取所述家居序列和所述多个第四训练家居序列的特征向量；
[0029]将所述家居序列的特征向量和所述多个第四训练家居序列的特征向量输入所述评分模型，得到每个第四训练家居序列属于所述家居序列的概率；
[0030]设定交叉熵损失函数为目标函数；
[0031]根据每个第四训练家居序列属于所述家居序列的概率判断所述交叉熵损失函数是否收敛；
[0032]若是，停止训练。
[0033]在上述实现过程中，基于负素材生成多个第四训练家居序列，将所述第四训练家具序列输入到评分模型，使得评分模型能够学习到不同家居序列中的家居的匹配程度。
[0034]进一步地，所述根据所述训练后的特征提取模型和所述训练后的评分模型对所述集束搜索的每步的搜索结果进行筛选，得到所述每步的搜索结果中的匹配方案的步骤，包括：
[0035]根据所述训练后的特征提取模型，获取所述搜索结果中对应的多个候选方案对应的特征向量；
[0036]将所述特征向量输入到所述训练后的评分模型，得到评分结果；
[0037]根据所述评分结果确定所述匹配方案。
[0038]在上述实现过程中，通过训练好的特征提取模型和评分模型衡量评分结果中的家居序列的匹配程度，从而能够在每一步的搜索结果中获取出匹配方案。
[0039]进一步地，所述确定第一家居的步骤，包括：
[0040]根据启发式搜索或者颜色匹配方法确定所述第一家居。
[0041]第二方面，本申请实施例提供一种家居搭配方案生成装置，包括：
[0042]构建模块，用于构建特征提取模型；
[0043]训练模块，用于训练所述特征提取模型，得到训练后的特征提取模型；
[0044]所述构建模块还用于构建评分模型；
[0045]所述训练模块还用于训练所述评分模型，得到训练后的评分模型；
[0046]确定模块，用于确定第一家居；
[0047]生成模块，用于根据所述第一家居，利用集束搜索算法生成所述家居搭配方案，其中，根据所述训练后的特征提取模型和所述训练后的评分模型对所述集束搜索的每步的搜索结果进行筛选，得到所述每步的搜索结果中的匹配方案。
[0048]第三方面，本申请实施例提供的一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
[0049]第四方面，本申请实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
[0050]本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。
[0051]为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0052]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种家居搭配方案生成方法，其特征在于，包括：构建特征提取模型；训练所述特征提取模型，得到训练后的特征提取模型；构建评分模型；训练所述评分模型，得到训练后的评分模型；确定第一家居；根据所述第一家居，利用集束搜索算法生成所述家居搭配方案，其中，根据所述训练后的特征提取模型和所述训练后的评分模型对所述集束搜索的每步的搜索结果进行筛选，得到所述每步的搜索结果中的匹配方案。2.根据权利要求1所述的家居搭配方案生成方法，其特征在于，所述训练所述特征提取模型的步骤，包括：从素材库中获取家居序列；在素材库中获取所述家居序列中的替换样本对应的多个负素材；根据所述家居序列替换样本和所述多个负素材生成第一训练家居序列；用掩码将所述家居序列中的替换样本进行替换，得到第二训练家居序列；将所述第一训练家居序列和所述第二训练家居序列输入所述特征提取模型，使所述特征提取模型在所述第二训练家居序列中确定所述替换样本。3.根据权利要求2所述的家居搭配方案生成方法，其特征在于，所述训练所述评分模型的步骤，还包括：根据所述家居序列和所述多个负素材集合生成第三训练家居序列；将所述第二训练家居序列和所述第三训练家居序列输入到所述特征提取模型，使所述特征提取模型学习所述素材库中不同家居素材之间的交互关系。4.根据权利要求2所述的家居搭配方案生成方法，其特征在于，所述训练所述特征提取模型的步骤，还包括：以交叉熵损失函数作为目标函数；当所述交叉熵损失函数收敛时判断所述特征提取模型学会在所述第二训练家居序列中确定所述替换样本。5.根据权利要求2所述的家居搭配方案生成方法，其特征在于，所述训练所述评分模型的步骤，包括：将所述多个负素材分别替换所述家居序列中的替换样本，得到多个第四训练家居序列；根据所述训练好的特征提取模型获取所述家居序列和所述多个第四训练家居序列的特征向量；将所述家居序列的特征向量和所述多个第四训练家居...

【专利技术属性】
技术研发人员：邱辉平，海阔心，
申请(专利权)人：广东三维家信息科技有限公司，
类型：发明
国别省市：