公开(公告)号：CN108984904B

公开(公告)日：2022-09-20

申请号：CN201810781492.0

申请日：2018-07-17

Applicant: 北京理工大学

Inventor： 陈宇峰 ,  李博 ,  吴丹 ,  霍盼盼 ,  陶泽綦 ,  白学营

IPC: G06F30/13 ,  G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  G06F111/08

Abstract: 本发明涉及一种基于深度神经网络的家居设计方法，属于深度神经网络及家居设计技术领域。首先采集家居设计陈列对家居进行标注，再基于经过标注的家居摆放顺序生成序列数据；然后设计家居预测模型，基于所设计的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；基于家居物体相对尺寸的参数约束设计双向分层家居预测模型，再进行层次化递归的多轮预测，使多轮预测结果更符合家居设计的实际情况；最后针对实际应用中对不同设计风格的需求，设计了针对特定风格的家居预测模型。本发明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。

公开(公告)号：CN108984904A

公开(公告)日：2018-12-11

申请号：CN201810781492.0

申请日：2018-07-17

Applicant: 北京理工大学

Inventor： 陈宇峰 ,  李博 ,  吴丹 ,  霍盼盼 ,  陶泽綦 ,  白学营

IPC: G06F17/50 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于深度神经网络的家居设计方法，属于深度神经网络及家居设计技术领域。首先采集家居设计陈列对家居进行标注，再基于经过标注的家居摆放顺序生成序列数据；然后设计家居预测模型，基于所设计的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；基于家居物体相对尺寸的参数约束设计双向分层家居预测模型，再进行层次化递归的多轮预测，使多轮预测结果更符合家居设计的实际情况；最后针对实际应用中对不同设计风格的需求，设计了针对特定风格的家居预测模型。本发明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。

公开(公告)号：CN107239827B

公开(公告)日：2020-06-09

申请号：CN201710460814.7

申请日：2017-06-18

Applicant: 北京理工大学

Inventor： 陈宇峰 ,  张铂 ,  吴丹 ,  霍盼盼 ,  陶泽綦

IPC: G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于人工神经网络的空间信息学习方法，属于深度学习技术领域。包括：利用传统神经网络对输入图片进行抽象表达，在传统神经网络的中高层提取特征图得到特征向量F；对F进行滤波映射操作得到LF以增强数据显著性；对LF通过卷积神经网络进行卷积操作以得到更加抽象的特征表达X；对X进行GAP降维处理得到特征点X*；对X*通过公式D＝X*×X*T进行相关性分析得到相关矩阵；对D通过公式CD＝D*V进行投影操作得到结构特征向量CD；对CD通过公式Y(F)＝F+λ*CD得到最终的特征并输出。对比现有技术，本发明不依赖于数据增强的方法就可以识别发生几何形变的物体，使神经网络对于不变性的识别更加鲁棒。

公开(公告)号：CN107239827A

公开(公告)日：2017-10-10

申请号：CN201710460814.7

申请日：2017-06-18

Applicant: 北京理工大学

Inventor： 陈宇峰 ,  张铂 ,  吴丹 ,  霍盼盼 ,  陶泽綦

IPC: G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于人工神经网络的空间信息学习方法，属于深度学习技术领域。包括：利用传统神经网络对输入图片进行抽象表达，在传统神经网络的中高层提取特征图得到特征向量F；对F进行滤波映射操作得到LF以增强数据显著性；对LF通过卷积神经网络进行卷积操作以得到更加抽象的特征表达X；对X进行GAP降维处理得到特征点X*；对X*通过公式D＝X*×X*T进行相关性分析得到相关矩阵；对D通过公式CD＝D*V进行投影操作得到结构特征向量CD；对CD通过公式Y(F)＝F+λ*CD得到最终的特征并输出。对比现有技术，本发明不依赖于数据增强的方法就可以识别发生几何形变的物体，使神经网络对于不变性的识别更加鲁棒。