CN113779889A - 布局信息生成方法、装置、存储介质以及电子设备 - Google Patents
布局信息生成方法、装置、存储介质以及电子设备 Download PDFInfo
- Publication number
- CN113779889A CN113779889A CN202111128490.XA CN202111128490A CN113779889A CN 113779889 A CN113779889 A CN 113779889A CN 202111128490 A CN202111128490 A CN 202111128490A CN 113779889 A CN113779889 A CN 113779889A
- Authority
- CN
- China
- Prior art keywords
- information
- loss
- layout
- objects
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000003860 storage Methods 0.000 title claims abstract description 39
- 238000009826 distribution Methods 0.000 claims abstract description 27
- 238000012795 verification Methods 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 44
- 230000004927 fusion Effects 0.000 claims description 39
- 238000007499 fusion processing Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 26
- 238000013528 artificial neural network Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000009877 rendering Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Processing Or Creating Images (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本公开涉及布局信息生成方法、装置、存储介质以及电子设备,该方法包括:获取第一信息,上述第一信息与第一网络对应的输入信息具备相同维度;将上述第一信息输入上述第一网络进行布局预测,得到第二信息;其中,上述第二信息包括第一对象的矢量信息以及第二对象的矢量信息,上述第一对象为至少两个第三对象中的任一第三对象,上述至少两个第三对象从属于上述第二对象。本公开得到的第二信息可以通过矢量形式对第一对象以及第二对象进行表达,可以自动生成用于表征对象分布的矢量形式的布局信息,矢量形式的布局信息相较于栅格形式可以更精确地表达空间中对象之间的拓扑关系以及对象的几何位置信息,并且具备更高的真实度。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及布局信息生成方法、装置、存储介质以及电子设备。
背景技术
布局信息生成在计算性城市规划、智能导航和游戏场景建模等领域日益显现重要的作用。在一些相关技术中,布局信息生成较多依赖于人工设计,或者依赖于人工设定的启发式规则进行半自动的生成,生成的效率较低。在另一些相关技术中,也可以基于神经网络进行布局信息的自动生成,但是神经网络的布局信息生成效率依然较低,并且准确度不高。
发明内容
为了解决上述至少一个技术问题,本公开提出布局信息生成方法、装置、存储介质以及电子设备。
根据本公开的一方面,提供了一种布局信息生成方法,所述方法包括:获取第一信息,所述第一信息与第一网络对应的输入信息具备相同维度;将所述第一信息输入所述第一网络进行布局预测,得到第二信息;其中,所述第二信息包括第一对象的矢量信息以及第二对象的矢量信息,所述第一对象为至少两个第三对象中的任一第三对象,所述至少两个第三对象从属于所述第二对象。基于上述配置,得到的第二信息可以通过矢量形式对第一对象以及第二对象进行表达,也就是说,可以自动生成用于表征对象分布的矢量形式的布局信息,矢量形式的布局信息相较于栅格形式可以更精确地表达空间中对象之间的拓扑关系以及对象的几何位置信息,并且具备更高的真实度。
在一些可能的实施方式中,所述第一对象的矢量信息包括所述第一对象的几何位置信息,所述第二对象的矢量信息包括所述第二对象的几何位置信息以及所述第二对象对应的拓扑信息,所述拓扑信息表征从属于所述第二对象的各所述第三对象之间的相对位置关系。基于上述配置,可以使得第二信息不仅可以表征各对象的形状信息以及位置信息,还能准确表达对象之间的相对位置关系,提升第二信息对于空间中信息的表达能力。也可以使得对第二信息进行渲染得到的布局中包括第一对象和第二对象的形状以及位置,使得该布局包含更多细节,丰满度更好,也更加真实。
在一些可能的实施方式中,所述第一对象的矢量信息还包括下述至少之一:位置邻接信息,所述位置邻接信息表征所述第一对象与参考对象之间的相对位置关系,所述参考对象为所述至少两个第三对象中除所述第一对象之外的任一第三对象;第一边界信息,所述第一边界信息表征所述第一对象中与所述参考对象邻接的边的信息;第二边界信息,所述第二边界信息表征所述第一对象中与所述参考对象邻接的至少两个边的相对位置关系信息。基于上述配置,第一对象的矢量信息通过包括位置邻接信息、第一边界信息以及第二边界信息的至少之一,可以携带更多的空间信息,从而使得基于第二信息渲染出的空间布局具备更多细节,并且细节更加真实。
在一些可能的实施方式中,所述第二信息还包括所述第一对象的语义信息,所述语义信息表征所述第一对象的应用场景。基于上述配置,可以通过在第二信息中携带第一对象的语义信息,使得基于第二信息渲染出的空间布局中可以区分不同对象的应用场景,进一步丰富空间布局的语义信息,提升空间布局的真实度。
在一些可能的实施方式中,所述第一对象的几何位置信息包括所述第一对象的形状信息以及所述第一对象的位置信息,所述第二对象的几何位置信息包括所述第二对象的形状信息以及所述第二对象的位置信息。基于上述配置,可以提升第二信息对于空间中信息的表达能力。
在一些可能的实施方式中,所述第一对象的矢量信息被存储于第一节点,所述第二对象的几何位置信息被存储于第二节点,所述第二节点为所述第一节点的父节点。基于上述配置,第一节点和第二节点形成了层次化的存储结构,这一存储结构有利于对第二信息的编辑以及扩展。
在一些可能的实施方式中,所述获取第一信息,包括:随机确定所述第一信息;或,在高斯空间或泊松空间中随机确定所述第一信息;或,获取第三信息,所述第三信息包括第一目标对象的矢量信息以及第二目标对象的矢量信息,所述第一目标对象为至少两个第三目标对象中的任一第三目标对象,所述至少两个第三目标对象从属于所述第二目标对象;将所述第三信息输入第二网络进行编码,得到第一编码信息;编辑所述第一编码信息,得到所述第一信息。基于上述配置,可以提供多种获取第一信息的方式以便于在不同应用场景中进行布局预测。并且第三种第一信息的获取方式还可以用于对已有的布局信息进行风格转换。
在一些可能的实施方式中,在所述第三信息包括所述第一目标对象的位置邻接信息的情况下,所述获取第三信息,包括:基于所述至少两个第三目标对象的相对位置对所述至少两个第三目标对象进行排序,得到对象序列;根据所述第一目标对象在所述对象序列中的位置,得到所述第一目标对象的位置邻接信息。基于上述配置,可以得到第一目标对象的位置邻接信息,该位置邻接信息可以从第三信息指向的空间布局的整体角度表征第一目标对象相对于整体空间布局的位置,提升第一目标对象的位置邻接信息的信息富集度。
在一些可能的实施方式中,所述基于所述至少两个第三目标对象的相对位置对所述至少两个第三目标对象进行排序,得到对象序列,包括:确定第四目标对象和边缘搜索顺序,所述第四目标对象为所述至少两个第三目标对象中预设的第三目标对象,所述边缘搜索顺序为与所述第四目标对象的位置相对应的搜索顺序;对所述第四目标对象进行处理,所述对所述第四目标对象进行处理包括:将所述第四目标对象添加至第一序列,以及基于所述边缘搜索顺序依次搜索第五目标对象,所述第五目标对象为所述至少两个第三目标对象中与所述第四目标对象的边缘邻接的第三目标对象;响应于存在所述第五目标对象的情况,将所述第五目标对象作为所述第四目标对象,重复执行所述对所述第四目标对象进行处理的操作;响应于不存在所述第五目标对象的情况,将所述第一序列确定为所述对象序列。基于上述配置,可以将二维的相对位置关系信息编码为一维序列信息,编码逻辑简单运算速度快,并且编码结果具备唯一性。
在一些可能的实施方式中,所述将所述第一信息输入所述第一网络进行布局预测,得到第二信息之前,所述方法还包括对所述第一网络进行训练,所述对所述第一网络进行训练,包括:获取第四信息,所述第四信息包括第四对象的矢量信息以及第五对象的矢量信息,所述第四对象为至少两个第六对象中的任一第六对象,所述至少两个第六对象从属于所述第五对象;将所述第四信息输入所述第二网络进行编码,得到第二编码信息;将所述第二编码信息输入所述第一网络进行布局预测,得到布局预测结果;根据所述第四信息和所述布局预测结果的差异,确定布局预测损失;基于所述布局预测损失,调整所述第一网络的参数以及所述第二网络的参数。基于上述配置,通过上述训练过程可以得到第一网络,该第一网络用于布局预测时可以自动快速地得到包含矢量信息的布局信息,并且该布局信息可以以较高精度描述空间布局,基于该布局信息渲染出的空间对象也具备较高的真实度。
在一些可能的实施方式中,所述第四对象的矢量信息包括所述第四对象的几何位置信息,所述第五对象的矢量信息包括所述第五对象的几何位置信息以及所述第五对象对应的拓扑信息,所述布局预测结果包括第七对象和第八对象,所述第七对象表征对所述第四对象对应的预测结果,所述第八对象表征对所述第五对象对应的预测结果,所述布局预测损失包括重建损失、存在性损失、拓扑损失、几何验证损失中的至少一个;所述重建损失包括基于所述第四对象的几何位置信息与所述第七对象的几何位置信息的差异确定的损失、基于所述第五对象的几何位置信息与所述第八对象的几何位置信息的差异确定的损失中的至少一个;所述存在性损失包括基于第一标识和第二标识的差异确定的损失、基于第三标识和第四标识的差异确定的损失中的至少一个,所述第一标识表征所述第四对象是否存在,所述第二标识表征所述第七对象是否存在,所述第三标识表征第一边是否存在,所述第四标识表征第二边是否存在,所述第一边为所述第四对象中的任一边,所述第二边为所述第七对象中对应于所述第一边的边;所述拓扑损失包括基于所述第五对象对应的拓扑信息与所述第八对象对应的拓扑信息的差异确定的损失;所述布局预测结果还包括第九对象,所述第九对象表征对第十对象对应的预测结果,所述第十对象表征所述至少两个第六对象中不同于所述第四对象的其它第六对象,所述几何验证损失表征基于所述第七对象和所述第九对象的相对位置关系确定的损失。基于上述配置,布局预测损失可以通过包含重建损失、存在性损失、拓扑损失、几何验证损失的方式,分别从几何位置维度、存在性维度、拓扑维度和对象相对位置合理度的维度刻画第一网络产生的预测损失,从而使得基于布局预测损失训练的第一网络可以预测出布局合理、拓扑正确、真实度高的布局信息。
在一些可能的实施方式中,在所述布局预测损失包括所述几何验证损失的情况下,所述根据所述第四信息和所述布局预测结果的差异,确定布局预测损失,包括:根据所述第八对象对应的拓扑信息,确定所述第七对象与所述第九对象之间的第一相对位置关系;根据所述第一相对位置关系,确定所述几何验证损失。基于上述配置,可以得到用于约束第一网络预测得到的各对象中的任意两个对象之间关系的合理度的几何验证损失。
在一些可能的实施方式中,所述根据所述第一相对位置关系,确定所述几何验证损失,包括:根据所述第七对象的几何位置信息和所述第九对象的几何位置信息,确定第二相对位置关系;根据所述第一相对位置关系和所述第二相对位置关系,得到所述几何验证损失;或,在所述第四对象的矢量信息还包括第一边界信息的情况下,根据所述第七对象的第一边界信息和所述第九对象的第一边界信息,确定第三相对位置关系;根据所述第一相对位置关系和所述第三相对位置关系,得到所述几何验证损失;或,在所述第四对象的矢量信息还包括第二边界信息的情况下,根据所述第七对象的第二边界信息和所述第九对象的第二边界信息,确定第四相对位置关系;根据所述第一相对位置关系和所述第四相对位置关系,得到所述几何验证损失。基于上述配置,通过从多维度衡量预测得到的各对象中的任意两个对象之间关系是否存在不一致的情况,并在不一致的情况下得到对应的损失,从多角度刻画几何验证损失,从而最终确保预测得到的各对象之间相对位置的合理性。
在一些可能的实施方式中,所述布局预测损失还包括语义损失和高斯损失中的至少一个;在所述第四信息还包括所述第四对象的语义信息的情况下,所述语义损失包括基于所述第四对象的语义信息和所述第七对象的语义信息的差异确定的损失;所述高斯损失用于约束所述布局预测结果对应的统计规律服从标准正态分布。基于上述配置,通过在布局预测损失中包括语义损失,可以使得基于该布局预测损失训练的第一网络预测得到的布局信息中的对象的语义分布合理,从而提升布局信息的真实度。高斯损失用于约束所述布局预测结果对应的统计规律服从标准正态分布,从而得到一个遵循标准正态分布的平滑的潜在空间。
在一些可能的实施方式中,所述将所述第四信息输入所述第二网络进行编码,得到第二编码信息,包括:对所述第四对象进行编码,得到第三编码信息;对所述第三编码信息和第四编码信息进行融合处理,得到第一融合信息;所述第四编码信息通过对所述第十对象进行编码得到;根据所述第一融合信息,得到所述第二编码信息。基于上述配置,通过融合至少两个第六对象对应的编码信息,得到上述第一编码结果,可以使得第一编码结果可以表征上述第四信息,以便于基于该第一编码结果进行布局预测。
在一些可能的实施方式中,所述对所述第四对象进行编码,得到第三编码信息之后,所述方法还包括:根据所述第五对象对应的拓扑信息确定邻接对象,所述邻接对象为与所述第四对象相邻的任一第六对象;融合所述邻接对象的第五编码信息与所述第三编码信息,得到第六编码信息,所述第五编码信息通过对所述邻接对象进行编码得到;所述根据所述第一融合信息,得到所述第二编码信息,包括:对所述第一融合信息和所述第六编码信息进行融合处理,得到所述第二编码信息。基于上述配置,可以基于相邻对象间的信息传递提升对象的编码结果的信息富集度,通过对对象的编码结果的融合处理,进一步提升第二编码信息表征第四信息的能力。
在一些可能的实施方式中,所述第二对象表征街区,所述第三对象表征所述街区中的地块;或,所述第二对象表征房屋,所述第三对象表征所述房屋中的房间。基于上述配置,可以将本公开实施例中的布局信息生成方法应用于街区规划和室内设计等场景中。
在一些可能的实施方式中,所述第一对象的形状信息表征所述第一对象的三维形状或所述第一对象的二维形状,所述第二对象的形状信息表征所述第二对象的三维形状或所述第二对象的二维形状。基于上述配置,可以得到三维形式的空间布局或二维形式的空间布局。
在一些可能的实施方式中,所述将所述第二编码信息输入所述第一网络进行布局预测,得到布局预测结果,包括:预测第一初始对象和第二初始对象,所述第一初始对象表征对所述第四对象的初始预测结果,所述第二初始对象表征对所述邻接对象的初始预测结果;融合所述第一初始对象的几何位置信息和所述第二初始对象的几何位置信息,得到融合结果;根据所述融合结果更新所述第一初始对象的几何位置信息,得到所述第七对象。基于上述配置,可以通过相邻对象之间信息融合的方式提升预测得到的对象的准确度。
根据本公开的第二方面,提供了一种布局信息生成装置,所述装置包括:第一信息获取模块,用于获取第一信息,所述第一信息与第一网络对应的输入信息具备相同维度;布局预测模块,用于将所述第一信息输入所述第一网络进行布局预测,得到第二信息;其中,所述第二信息包括第一对象的矢量信息以及第二对象的矢量信息,所述第一对象为至少两个第三对象中的任一第三对象,所述至少两个第三对象从属于所述第二对象。
在一些可能的实施方式中,所述第一对象的矢量信息包括所述第一对象的几何位置信息,所述第二对象的矢量信息包括所述第二对象的几何位置信息以及所述第二对象对应的拓扑信息,所述拓扑信息表征从属于所述第二对象的各所述第三对象之间的相对位置关系。
在一些可能的实施方式中,所述第一对象的矢量信息还包括下述至少之一:位置邻接信息,所述位置邻接信息表征所述第一对象与参考对象之间的相对位置关系,所述参考对象为所述至少两个第三对象中除所述第一对象之外的任一第三对象;第一边界信息,所述第一边界信息表征所述第一对象中与所述参考对象邻接的边的信息;第二边界信息,所述第二边界信息表征所述第一对象中与所述参考对象邻接的至少两个边的相对位置关系信息。
在一些可能的实施方式中,所述第二信息还包括所述第一对象的语义信息,所述语义信息表征所述第一对象的应用场景。
在一些可能的实施方式中,所述第一对象的几何位置信息包括所述第一对象的形状信息以及所述第一对象的位置信息,所述第二对象的几何位置信息包括所述第二对象的形状信息以及所述第二对象的位置信息。
在一些可能的实施方式中,所述第一对象的矢量信息被存储于第一节点,所述第二对象的几何位置信息被存储于第二节点,所述第二节点为所述第一节点的父节点。
在一些可能的实施方式中,所述第一信息获取模块,用于执行下述操作:随机确定所述第一信息;或,在高斯空间或泊松空间中随机确定所述第一信息;或,获取第三信息,所述第三信息包括第一目标对象的矢量信息以及第二目标对象的矢量信息,所述第一目标对象为至少两个第三目标对象中的任一第三目标对象,所述至少两个第三目标对象从属于所述第二目标对象;将所述第三信息输入第二网络进行编码,得到第一编码信息;编辑所述第一编码信息,得到所述第一信息。
在一些可能的实施方式中,在所述第三信息包括所述第一目标对象的位置邻接信息的情况下,所述第一信息获取模块,还用于执行下述操作:基于所述至少两个第三目标对象的相对位置对所述至少两个第三目标对象进行排序,得到对象序列;根据所述第一目标对象在所述对象序列中的位置,得到所述第一目标对象的位置邻接信息。
在一些可能的实施方式中,所述第一信息获取模块,还用于执行下述操作:确定第四目标对象和边缘搜索顺序,所述第四目标对象为所述至少两个第三目标对象中预设的第三目标对象,所述边缘搜索顺序为与所述第四目标对象的位置相对应的搜索顺序;对所述第四目标对象进行处理,所述对所述第四目标对象进行处理包括:将所述第四目标对象添加至第一序列,以及基于所述边缘搜索顺序依次搜索第五目标对象,所述第五目标对象为所述至少两个第三目标对象中与所述第四目标对象的边缘邻接的第三目标对象;响应于存在所述第五目标对象的情况,将所述第五目标对象作为所述第四目标对象,重复执行所述对所述第四目标对象进行处理的操作;响应于不存在所述第五目标对象的情况,将所述第一序列确定为所述对象序列。
在一些可能的实施方式中,所述将所述第一信息输入所述第一网络进行布局预测,得到第二信息之前,所述装置还包括训练模块,所述训练模块,包括:样本获取单元,用于获取第四信息,所述第四信息包括第四对象的矢量信息以及第五对象的矢量信息,所述第四对象为至少两个第六对象中的任一第六对象,所述至少两个第六对象从属于所述第五对象;编码单元,用于将所述第四信息输入所述第二网络进行编码,得到第二编码信息;布局预测单元,用于将所述第二编码信息输入所述第一网络进行布局预测,得到布局预测结果;损失确定单元,用于根据所述第四信息和所述布局预测结果的差异,确定布局预测损失;优化单元,用于基于所述布局预测损失,调整所述第一网络的参数以及所述第二网络的参数。
在一些可能的实施方式中,所述第四对象的矢量信息包括所述第四对象的几何位置信息,所述第五对象的矢量信息包括所述第五对象的几何位置信息以及所述第五对象对应的拓扑信息,所述布局预测结果包括第七对象和第八对象,所述第七对象表征对所述第四对象对应的预测结果,所述第八对象表征对所述第五对象对应的预测结果,所述布局预测损失包括重建损失、存在性损失、拓扑损失、几何验证损失中的至少一个;所述重建损失包括基于所述第四对象的几何位置信息与所述第七对象的几何位置信息的差异确定的损失、基于所述第五对象的几何位置信息与所述第八对象的几何位置信息的差异确定的损失中的至少一个;所述存在性损失包括基于第一标识和第二标识的差异确定的损失、基于第三标识和第四标识的差异确定的损失中的至少一个,所述第一标识表征所述第四对象是否存在,所述第二标识表征所述第七对象是否存在,所述第三标识表征第一边是否存在,所述第四标识表征第二边是否存在,所述第一边为所述第四对象中的任一边,所述第二边为所述第七对象中对应于所述第一边的边;所述拓扑损失包括基于所述第五对象对应的拓扑信息与所述第八对象对应的拓扑信息的差异确定的损失;所述布局预测结果还包括第九对象,所述第九对象表征对第十对象对应的预测结果,所述第十对象表征所述至少两个第六对象中不同于所述第四对象的其它第六对象,所述几何验证损失表征基于所述第七对象和所述第九对象的相对位置关系确定的损失。
在一些可能的实施方式中,在所述布局预测损失包括所述几何验证损失的情况下,所述损失确定单元,用于执行下述操作:根据所述第八对象对应的拓扑信息,确定所述第七对象与所述第九对象之间的第一相对位置关系;根据所述第一相对位置关系,确定所述几何验证损失。
在一些可能的实施方式中,所述损失确定单元,用于执行下述操作:根据所述第七对象的几何位置信息和所述第九对象的几何位置信息,确定第二相对位置关系;根据所述第一相对位置关系和所述第二相对位置关系,得到所述几何验证损失;或,在所述第四对象的矢量信息还包括第一边界信息的情况下,根据所述第七对象的第一边界信息和所述第九对象的第一边界信息,确定第三相对位置关系;根据所述第一相对位置关系和所述第三相对位置关系,得到所述几何验证损失;或,在所述第四对象的矢量信息还包括第二边界信息的情况下,根据所述第七对象的第二边界信息和所述第九对象的第二边界信息,确定第四相对位置关系;根据所述第一相对位置关系和所述第四相对位置关系,得到所述几何验证损失。
在一些可能的实施方式中,所述布局预测损失还包括语义损失和高斯损失中的至少一个;在所述第四信息还包括所述第四对象的语义信息的情况下,所述语义损失包括基于所述第四对象的语义信息和所述第七对象的语义信息的差异确定的损失;所述高斯损失用于约束所述布局预测结果对应的统计规律服从标准正态分布。
在一些可能的实施方式中,所述编码单元,用于执行下述操作:对所述第四对象进行编码,得到第三编码信息;对所述第三编码信息和第四编码信息进行融合处理,得到第一融合信息;所述第四编码信息通过对所述第十对象进行编码得到;根据所述第一融合信息,得到所述第二编码信息。
在一些可能的实施方式中,所述编码单元,还用于执行下述操作:根据所述第五对象对应的拓扑信息确定邻接对象,所述邻接对象为与所述第四对象相邻的任一第六对象;融合所述邻接对象的第五编码信息与所述第三编码信息,得到第六编码信息,所述第五编码信息通过对所述邻接对象进行编码得到;所述根据所述第一融合信息,得到所述第二编码信息,包括:对所述第一融合信息和所述第六编码信息进行融合处理,得到所述第二编码信息。
在一些可能的实施方式中,所述第二对象表征街区,所述第三对象表征所述街区中的地块;或,所述第二对象表征房屋,所述第三对象表征所述房屋中的房间。
在一些可能的实施方式中,所述第一对象的形状信息表征所述第一对象的三维形状或所述第一对象的二维形状,所述第二对象的形状信息表征所述第二对象的三维形状或所述第二对象的二维形状。
在一些可能的实施方式中,所述布局预测单元,用于执行下述操作:预测第一初始对象和第二初始对象,所述第一初始对象表征对所述第四对象的初始预测结果,所述第二初始对象表征对所述邻接对象的初始预测结果;融合所述第一初始对象的几何位置信息和所述第二初始对象的几何位置信息,得到融合结果;根据所述融合结果更新所述第一初始对象的几何位置信息,得到所述第七对象。
根据本公开的第三方面,提供了一种电子设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现如第一方面中任意一项所述的布局信息生成方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如第一方面中任意一项所述的布局信息生成方法。
根据本公开的第五方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行第一方面中任意一项所述的布局信息生成方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,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它附图。
图1示出根据本公开实施例的一种布局信息生成方法的流程图;
图2示出根据本公开实施例的第三信息渲染得到的三维布局示意图;
图3示出根据本公开实施例的第三信息渲染得到的平面布局示意图;
图4示出根据本公开实施例的第一序列示意图;
图5示出根据本公开实施例的第二信息的一种可视化示意图;
图6示出根据本公开实施例的第二信息的另一种可视化示意图;
图7示出根据本公开实施例的第二信息的存储结构示意图;
图8示出根据本公开实施例的第一网络训练方法流程图;
图9示出根据本公开实施例的各对象之间对应关系的示意图;
图10示出根据本公开实施例的第七对象和第九对象的相对位置关系示意图;
图11示出根据本公开实施例的布局信息生成装置的框图;
图12示出根据本公开实施例的一种电子设备的框图;
图13示出根据本公开实施例的另一种电子设备的框图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
随着自动驾驶模拟、游戏设计、室内设计等应用场景对布局信息生成的需求的快速增长,如何大规模快速地自动生成布局信息成为了人们亟需解决的问题。本公开实施例中不限定布局信息的具体含义,其可以被理解为描述位于空间中的对象以及对象的布局的信息。比如,街区的布局信息可以包括用于描述街区的几何位置信息、街区中的地块的几何位置信息以及表征街区中地块的拓扑关系的拓扑信息。再比如,房屋的布局信息可以包括用于描述房屋的几何位置信息、房屋中房间的几何位置信息以及表征房屋中房间的拓扑关系的拓扑信息。
相关技术中通常使用启发式的规划策略,依赖于人工得到布局信息,这种布局信息的获取方法效率很低,对人工的依赖度也很高。在一些相关技术中也可以使用神经网络辅助生成布局信息,具体来说,就是基于携带有布局信息的栅格形式的数据训练神经网络,从而使得神经网络获取自动生成栅格形式的布局信息的能力,但是,栅格形式的数据对拓扑的描述能力较差,会使得神经网络在计算的过程中需要进行大量的对象间关系的匹配运算,运算量的上升导致了神经网络布局信息生成速度的下降,并且,栅格形式的数据的精度有限,真实度也较低。以生成街区的布局信息为例,对栅格形式的布局信息进行渲染所得到的街区可能看起来并不像真实的街区,这就是存在真实度低的问题,对该街区进行放大操作后也可能出现模糊,也就是说存在精度低的问题。
为了实现自动化的布局信息生成,并且提升布局信息的生成速度、真实度以及精度,本公开实施例提供一种布局信息生成方法。该方法可以应用于各种需要进行布局信息自动生成的场景之中,比如,室内设计、街区规划或者虚拟空间生成等,本公开实施例对此不做限定。
本公开实施例提供的布局信息生成方法可以由终端设备、服务器或其它类型的电子设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该布局信息生成方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。下面以电子设备作为执行主体为例对本公开实施例的布局信息生成方法进行说明。
图1示出根据本公开实施例的一种布局信息生成方法的流程图,如图1所示,上述方法包括:
S101.获取第一信息,上述第一信息与第一网络对应的输入信息具备相同维度。
本公开实施例中可以使用第一网络进行布局信息的自动生成,以与该第一网络对应的输入信息具备相同维度的第一信息作为触发信息,将该第一信息输入该第一网络,即可触发该第一网络生成布局信息。
本公开实施例并不限定第一网络的结构以及第一信息的维度。举个例子,第一网络可以根据生成式对抗网络(Generative Adversarial Networks,GAN)或者变分自动编码器(Variational Autoencoder,VAE)得到。示例性的,若该第一网络被训练为基于40*64*2048*2048维度的数据进行布局信息预测,则上述第一信息的维度也应该是40*64*2048*2048。
在一些应用场景中可以自由生成布局信息,也就是说,第一信息的数据内容可以被随机确定。在另一些应用场景中,可能要求生成预设数量的布局信息,这种情况下可以在预设空间中随机确定上述第一信息,也就是说,在该预设空间中随机得到预设数量的第一信息,并且上述预设数量的第一信息中数据的分布规律在宏观上可以服从上述预设空间中的数据分布规律,从而可以使得生成得到的预设数量的布局信息宏观上也服从上述数据分布规律。本公开实施例并不对上述预设空间及其对应的数据分布规律进行限制,比如,上述预设空间可以为高斯空间,上述数据分布规律相应的为高斯分布,或者,上述预设空间可以为泊松空间,上述数据分布规律相应的为泊松分布。通过这一设置,可以在宏观上对生成得到的布局信息的统计规律进行约束,从而在宏观上控制生成得到的布局信息的质量。
S102.将上述第一信息输入上述第一网络进行布局预测,得到第二信息。
本公开实施例中可以通过将第一信息输入上述第一网络进行布局预测,得到上述第一网络输出的第二信息,该第二信息即为一种布局信息。本公开实施例中的第二信息可以以矢量形式表征空间中的对象的几何位置形态以及分布规律。
具体来说,上述第二信息可以包括第一对象的矢量信息以及第二对象的矢量信息,上述第一对象为至少两个第三对象中的任一第三对象,上述至少两个第三对象从属于上述第二对象。本公开实施例中的对象可以被理解为真实的物理空间或者虚拟空间中存在的、并且具备形状属性以及位置属性的目标。以上述第二信息表征街区布局为例,上述第二对象可以对应于街区,而上述至少两个第三对象可以对应于上述街区中的至少两个地块,而上述第一对象可以对应于上述街区中至少两个地块中的任一地块。以上述第二信息表征房屋布局为例,上述第二对象可以对应于房屋,而上述至少两个第三对象可以对应于上述房屋中的至少两个房间,而上述第一对象可以对应于上述房屋中至少两个房间中的任一房间。
本公开实施例得到的第二信息可以通过矢量形式对第一对象以及第二对象进行表达,也就是说,可以自动生成用于表征对象分布的矢量形式的布局信息,矢量形式的布局信息相较于栅格形式可以更精确地表达空间中对象之间的拓扑关系以及对象的几何位置信息,并且具备更高的真实度。
在一个可行的实施例中,上述第一对象的矢量信息包括上述第一对象的几何位置信息,上述第二对象的矢量信息包括上述第二对象的几何位置信息以及上述第二对象对应的拓扑信息,上述拓扑信息表征从属于上述第二对象的各上述第三对象之间的相对位置关系。
具体来说,上述第一对象的几何位置信息包括上述第一对象的形状信息以及上述第一对象的位置信息,上述第二对象的几何位置信息包括上述第二对象的形状信息以及上述第二对象的位置信息。本公开实施例中通过在第二信息中携带第一对象以及第二对象的形状信息以及位置信息,可以使得对第二信息进行渲染得到的布局中包括第一对象和第二对象的形状以及位置,使得该布局包含更多细节,丰满度更好,也更加真实。
在一些应用场景中可以基于上述的布局信息生成方法进行虚拟空间的生成,比如,可以生成虚拟房屋、虚拟街区、虚拟社区、虚拟城市等。以虚拟社区为例,虚拟社区中的社区对应于上述第二对象,社区中的街区对应于上述第三对象。以虚拟城市为例,虚拟城市中的城市对应于上述第二对象,城市中的社区对应于上述第三对象。具体来说,可以直接随机或者基于预设空间随机生成第一信息,将该第一信息输入第一网络即可得到第二信息,该第二信息可以表征前文中虚拟房屋、虚拟街区、虚拟社区或虚拟城市中的布局。虚拟空间生成可以被广泛应用于计算性应用之中,比如,可以在游戏类应用中用于构建游戏场景,在虚拟驾驶类应用中用于构建街道,在室内设计类应用中用于构建房屋等,本公开实施例对此不做限定。
在另一些应用场景中,上述的布局信息生成方法也可以被应用于对已有的布局信息进行调整和优化。该已有的布局信息可以通过第三信息描述,上述第三信息包括第一目标对象的矢量信息以及第二目标对象的矢量信息,上述第一目标对象为至少两个第三目标对象中的任一第三目标对象,上述至少两个第三目标对象从属于上述第二目标对象。
本公开实施例中第三信息的数据内容的含义以及第三信息的存储结构可以参考本公开实施例中对第二信息的相关表述,在此不做赘述。该第三信息可以是表征真实空间中的对象分布的布局信息,比如其可以基于规划师规划出的街区对应的规划数据得到,街区对应于该第二目标对象,街区中的地块对应于该第三目标对象。或者也可以基于设计师设计出的房屋对应的设计数据得到,房屋对应于该第二目标对象,房屋中的房间对应于该第三目标对象。当然,该第三数据也可以是表征虚拟空间中对象分布的布局信息,这一布局信息也可以使用本公开中提供的布局信息生成方法得到。
将上述第三信息输入第二网络进行编码,可以得到第一编码信息,编辑上述第一编码信息,即可得到上述第一信息,将上述第一信息输入上述第一网络后得到的第二信息所对应的布局相较于上述第三信息所对应的布局,其实质内容已经发生了变化。以街区优化和房屋优化为例,这一实质内容的变化就对应于街区布局或者房屋布局的转变,而这一转变是通过对基于上述第三信息得到的第一编码信息的编辑来完成的。如果将上述第二信息和上述第三信息均进行可视化显示,即可直观地观察到上述转变,这一转变体现了前文中提及的对于布局信息的调整和优化的过程。
由于第三信息是描述空间对象的布局信息,对第三信息中的某个内容进行编辑可能会导致整体布局出现瑕疵,比如,若第三信息中的对象A和对象B原本是相邻的,对对象A的几何位置信息进行修改可能导致原本的相邻关系发生变动,产生不甚合理的布局结果。本公开实施例可以不对第三信息进行编辑,而是编辑基于第三信息得到的第一编码信息,并将得到的第一信息输入第一网络后,即可得到第二信息,由于第一网络具备基于输入的信息输出布局合理真实度高的第二信息的能力,因此可以确保第二信息的布局是合理的,避免得到不合理的布局结果,这样不仅可以实现对第三信息的调整优化,并且可以确保调整后得到的布局合理真实。
本公开实施例中,第三信息中的每一第三目标对象都可以包括位置邻接信息。以第一目标对象为例,上述第一目标对象的位置邻接信息表征上述第一目标对象与其它对象之间的相对位置关系,上述其它对象为上述至少两个第三目标对象中除上述第一目标对象之外的任一第三目标对象。
本公开实施例中,该第一目标对象的位置邻接信息可以根据该第一目标对象在第二目标对象对应的空间中的位置以及位于该空间中的其它除上述第一目标对象之外的任一第三目标对象的位置确定。具体来说,可以基于上述至少两个第三目标对象的相对位置对上述至少两个第三目标对象进行排序,得到对象序列。根据上述第一目标对象在上述对象序列中的位置,得到上述第一目标对象的位置邻接信息。基于上述配置,可以得到第一目标对象的位置邻接信息,该位置邻接信息可以从第三信息指向的空间布局的整体角度表征第一目标对象相对于整体空间布局的位置,提升第一目标对象的位置邻接信息的信息富集度,进而提升第三信息描述空间布局的能力。
本公开实施例中对象序列的获取过程事实上是一种降维过程,也就是将多维的空间位置拓扑关系编码为一维拓扑关系的过程,本公开实施例对这一降维方式不做限定,也可以参考相关的降维技术,比如,基于四叉树编码、基于R树编码等。在一个实施例中,对象序列可以通过下述方式获取:
首先,确定第四目标对象和边缘搜索顺序,上述第四目标对象为上述至少两个第三目标对象中预设的第三目标对象,上述边缘搜索顺序为与上述第四目标对象的位置相对应的搜索顺序。然后,对上述第四目标对象进行处理,上述对上述第四目标对象进行处理包括:将上述第四目标对象添加至第一序列,以及基于上述边缘搜索顺序依次搜索第五目标对象,上述第五目标对象为上述至少两个第三目标对象中与上述第四目标对象的边缘邻接的第三目标对象。响应于存在上述第五目标对象的情况,将上述第五目标对象作为上述第四目标对象,重复执行上述对上述第四目标对象进行处理的操作。响应于不存在上述第五目标对象的情况,将上述第一序列确定为上述对象序列。
本公开实施例通过确定第四目标对象和边缘搜索顺序将各第三目标对象进行排序,从而得到一维的第一序列。第四目标对象与边缘搜索顺序具备对应关系。本公开实施例并不限定第一序列的形态,比如该第一序列可以为环形序列或者直线序列。基于上述配置,可以将二维的相对位置关系信息编码为一维序列信息,编码逻辑简单运算速度快,并且编码结果具备唯一性。
请参考图2,其示出根据本公开实施例的第三信息渲染得到的三维布局示意图。第三信息中各第三目标对象均可以为三维对象。如图3所示,基于将各三维对象可以渲染出其对应的平面布局图,基于这一平面布局中各第三目标对象之间的相对位置关系,在确定上述预设的第三目标对象以及与其对应的边缘搜索顺序的基础上,即可得到第一序列。举例来说,若将图3中的左上角的多边形R1作为上述预设的第三目标对象,将以左侧边起始并按照逆时针顺序进行边缘搜索得到的搜索顺序作为与其对应的边缘搜索顺序,可以得到图4中的第一序列,对于每一第三目标对象,均可以在该第一序列中确定其对应的唯一位置。
本公开实施例进一步对于第二信息进行详细说明。上述第一对象的形状信息表征上述第一对象的三维形状或上述第一对象的二维形状,上述第二对象的形状信息表征上述第二对象的三维形状或上述第二对象的二维形状。
在第一对象以及第二对象对应的形状信息均描述二维形状的情况下,通过渲染上述第二信息可以得到二维形态的空间布局。请参考图5,其示出根据本公开实施例的第二信息的一种可视化示意图。以第二信息表征街区分布为例,对象1表征二维形态的第二对象(街区),对象2表征二维形态的第一对象(地块),具体来说,可以通过二维矩形框来表达一个第一对象,也就是说,该第一对象的形状信息包括该二维矩形框的长和宽,该第一对象的位置信息通过该二维矩形框质心的横坐标以及纵坐标表达,第二对象的形状信息的表达方式与第一对象的形状信息的表达方式基于相同构思,在此不做赘述。
在第一对象以及第二对象对应的形状信息均描述三维形状的情况下,通过渲染上述第二信息可以得到三维形态的空间布局。请参考图6,其示出根据本公开实施例的第二信息的另一种可视化示意图。以第二信息表征街区分布为例,对象10表征三维形态的第二对象(街区),对象20表征三维形态的第一对象(地块),具体来说,可以通过三维矩形框来表达一个第一对象,也就是说,该第一对象的形状信息包括该三维矩形框的长、宽和高,该第一对象的位置信息通过该三维矩形框质心的横坐标以及纵坐标表达,第二对象的形状信息的表达方式与第一对象的形状信息的表达方式基于相同构思,在此不做赘述。相关技术中,通常只能够基于栅格形式的数据训练神经网络,相应的该神经网络也只能预测出栅格形式的布局信息,这种情况下通常只能够得到二维形态的空间布局。本公开实施例中使用矢量形式表征第一对象以及第二对象的形状信息,可以得到三维形态的空间布局,从而使得本公开实施例中的方案可以应用于三维场景建模领域,相较于相关技术,本公开实施例具备更广阔的应用场景。
在一些可行的实施例中,上述第一对象的矢量信息还可以包括下述至少之一:
(1)位置邻接信息,上述位置邻接信息表征上述第一对象与参考对象之间的相对位置关系,上述参考对象为上述至少两个第三对象中除上述第一对象之外的任一第三对象。关于位置邻接信息的含义和获取方法可以参考前文,在此不做赘述。
(2)第一边界信息,上述第一边界信息表征上述第一对象中与上述参考对象邻接的边的信息。
本公开实施例中上述第一边界信息反映了第一对象与周围的第三对象之间一种邻接的情况,如果该第一对象与某一个第三对象邻接,则第一对象中存在邻接情况的边可以通过第一边界信息表达出来。
(3)第二边界信息,上述第二边界信息表征上述第一对象中与上述参考对象邻接的至少两个边的相对位置关系信息。
本公开实施例中上述第一边界信息反映了第一对象与周围的第三对象之间另一种邻接的情况,如果该第一对象与某一个第三对象存在至少两个边邻接的情况,则第一对象中存在邻接情况的边之间的相对位置关系可以通过第二边界信息表达出来。
本公开实施例中,第一对象的矢量信息通过包括位置邻接信息、第一边界信息以及第二边界信息的至少之一,可以携带更多的空间信息,从而使得基于第二信息渲染出的空间布局具备更多细节,并且细节更加真实。
在一些实施例中,第二信息不仅包括第一对象的矢量信息以及第二对象的矢量信息,还可以包括第一对象的语义信息,该语义信息可以表征该第一对象的应用场景。举例来说,若该第一对象表征一个地块,则该语义信息可以表征该地块是民用地还是商用地。若该第一对象表征一个房间,则该语义信息可以表征该房间是厨房还是客厅。本公开实施例中可以通过在第二信息中携带第一对象的语义信息,使得基于第二信息渲染出的空间布局中可以区分不同对象的应用场景,进一步丰富空间布局的语义信息,提升空间布局的真实度。
为了对第二信息进行合理的存储,在一些实施例设计了针对上述第二信息的层次化存储结构。具体来说,上述第一对象的矢量信息被存储于第一节点,上述第二对象的几何位置信息被存储于第二节点,上述第二节点为上述第一节点的父节点。在一些实施例中,第二信息还包括第一对象的语义信息,则该语义信息也可以被存储于上述第一节点。在另一些实施例中,第二对象对应的拓扑信息可以被对应存储于第二节点,也可以进行单独存储,本公开实施例对此不作限定。
请参考图7,其示出根据本公开实施例的第二信息的存储结构示意图。其中,第一节点为子节点,每个第三对象均可以对应一个第一节点,各第一节点中可以包括该第三对象的几何位置信息,还可以包括该第三对象的位置邻接信息、第一边界信息、第二边界信息和语义信息中的至少一个。第二节点为父节点,可以用于存储第二对象的几何位置信息。第一节点和第二节点形成了层次化的存储结构,这一存储结构有利于对第二信息的编辑以及扩展。
具体来说,在该存储结构中第一节点以及第二节点中的数据均是可编辑的,也就是说,第二对象以及任一第三对象的矢量信息,或者第三对象的语义信息可以被编辑,以便于用户通过编辑的方式得到更为合理的布局,在一些实施例中,可以将该第二信息进行可视化表达并允许用户基于该可视化表达的结果对该第二信息进行编辑。
在一些实施例中,还可以基于该存储结构进行纵向的扩展,比如,在得到街区的基础上生成一个社区的情况,可以在每个街区对应的第二节点的基础上得到社区对应的第三节点,该第二节点为该第三节点的子节点,也就是说,通过层级结构的纵向扩展,使得空间布局包括层次更为丰富的对象的信息,也就是说,本公开实施例提供的存储结构是一种可扩展的存储结构。
在执行步骤S102之前,本公开实施例还可以对前文提及的第一网络和第二网络进行训练,请参考图8,其示出根据本公开实施例的第一网络训练方法流程图,上述训练方法包括:
S201.获取第四信息,上述第四信息包括第四对象的矢量信息以及第五对象的矢量信息,上述第四对象为至少两个第六对象中的任一第六对象,上述至少两个第六对象从属于上述第五对象。
本公开实施例中第四信息中的数据内容含义以及存储结构均可以参考前文详述的第二信息,在此不做赘述。请参考图9,其示出根据本公开实施例中各对象之间对应关系的示意图。具体来说,该第四信息可以包括第四对象的矢量信息以及第五对象的矢量信息,上述第四对象为至少两个第六对象中的任一第六对象,上述至少两个第六对象从属于上述第五对象。上述第四对象的矢量信息包括上述第四对象的几何位置信息,上述第五对象的矢量信息包括上述第五对象的几何位置信息以及上述第五对象对应的拓扑信息。
以获取到用于表征的街区的样本数据的情况为例,对于该样本数据中的任一街区,可以在该样本数据中提取该街区的形状信息、位置信息以及该街区中各地块之间的相对位置关系信息,从而得到该街区(第五对象)的几何位置信息以及第五对象对应的拓扑信息。该街区可能包括多个地块(第六对象),对于其中的任一地块(第四对象),可以确定该地块的几何位置信息。在一些实施例中还可以确定该地块的位置邻接信息、第一边界信息、第二边界信息和语义信息中的至少一个。本公开实施例中并不限定样本数据的获取方式,比如,其可以来源于对街区进行规划的规划图纸,或者来源于对街区进行土地调查所得到的调查数据。
在一些实施例中,为了便于对第四信息进行处理,可以对于第四信息中的各几何位置信息进行规范化处理,具体来说,可以将样本数据中的各街区均转换到统一的规范视图和规范坐标系中,本公开实施例中并不对该规范视图和规范坐标系进行限定,比如,可以统一将样本数据中的街区转化到平面视图中,本公开实施例不对该规范坐标系进行限定,具体来说,该规范坐标系可以为平面直角坐标系。在上述规范化处理的基础上,在一个实施例中,还可以对第四信息中的各几何位置信息进行归一化处理,比如,将各地块的长归一化至[-1,1],将各地块的高归一化至[0,1]。本公开实施例并不对规范化处理以及归一化处理进行限定,以便于神经网络进行计算为准即可。
本公开实施例中第四信息作为训练第一网络所需的样本数据,可以参考第一网络的应用场景进行获取。比如,如果将第一网络应用于房屋设计,则可以基于房屋设计图提取上述第四信息。如果将上述第一网络应用于生成游戏中的新的虚拟街区,则可以基于游戏中已有的虚拟街区提取上述第四信息。
S202.将上述第四信息输入上述第二网络进行编码,得到第二编码信息。
本公开实施例并不对编码方式进行限定,以VAE神经网络为例,可以使用VAE神经网络中的Encoder(编码器)或其变体对上述第四信息进行编码,为了提升第二编码信息表达第四信息的能力,在一些实施例中,可以基于下述方法得到上述第二编码信息:
S2021.对上述第四对象进行编码,得到第三编码信息。
具体来说,本公开实施例中对于任一第六对象都可以进行编码得到对应的编码信息,其中,对于第四对象进行编码得到的编码信息为第三编码信息。
S2022.对上述第三编码信息和第四编码信息进行融合处理,得到第一融合信息;上述第四编码信息通过对第十对象进行编码得到。
本公开实施例中第十对象表征上述至少两个第六对象中不同于上述第四对象的其它第六对象,也就是说,可以通过融合从属于上述第五对象的至少两个第六对象的编码结果,得到上述第一融合信息。在一个实施例中,可以对每一第六对象对应的编码信息均进行融合处理,得到上述第一融合信息。本公开实施例中并不限定融合的具体方式,比如,可以使用最大池化、平均池化、卷积、内积等融合方式中的一种或其组合实现上述融合处理。
S2023.根据上述第一融合信息,得到上述第二编码信息。
在一个实施例中可以直接将上述第一融合信息作为上述第二编码信息,在其他实施例中也可以基于上述第一融合信息进行进一步地融合处理,得到上述第二编码信息。本公开实施例中通过融合至少两个第六对象对应的编码信息,得到上述第一编码结果,可以使得第一编码结果可以表征上述第四信息,以便于基于该第一编码结果进行布局预测。
在一个实施例中,可以通过下述方式进一步融合上述第一融合信息,以提升第二编码信息描述上述第四信息的能力:
S301.根据上述第五对象对应的拓扑信息确定邻接对象,上述邻接对象为与上述第四对象相邻的任一第六对象。
本公开实施例中并不限定邻接对象的数量,具体来说,可以将与第四对象具备邻接关系的一个或多个第六对象确定为上述邻接对象。对于每一第六对象,均可以确定该第六对象的邻接对象。
S302.融合上述邻接对象的第五编码信息与上述第三编码信息,得到第六编码信息,上述第五编码信息通过对上述邻接对象进行编码得到。
步骤S302中的融合操作可以使得第六编码信息中既包含第四对象本身对应的编码信息也包含与该第四对象对应的邻接对象的编码信息,从而达到相邻对象间信息传递的效果,提升了第六编码信息的信息富集度。本公开实施例并不对上述融合操作进行限制,比如,可以使用加法、乘法、内积、卷积的至少一种或其组合。当然,对于任一第六对象,都可以进行上述操作以提升其对应的编码结果的信息富集度。
S303.对上述第一融合信息和上述第六编码信息进行融合处理,得到上述第二编码信息。
步骤S303中的融合处理可以采用与前文相同或不同的处理方式,本公开实施例对此不作赘述。步骤S301-S303中可以基于相邻对象间的信息传递提升对象的编码结果的信息富集度,通过对对象的编码结果的融合处理,进一步提升第二编码信息表征第四信息的能力。当然,在其他实施例中,还可以以迭代的形式进行多次相邻对象间的信息传递,并且在每次迭代时对于各对象对应的编码信息进行融合,得到融合结果,并且将历次迭代得到的融合结果再次进行融合,以得到上述第二编码信息。本公开实施例对于上述迭代的次数并不进行限定,通过多次迭代的方式可以进一步提升第二编码信息表征第四信息的能力。
S203.将上述第二编码信息输入上述第一网络进行布局预测,得到布局预测结果。
本公开实施例中并不对第一网络的结构进行限定,示例性的,以VAE神经网络为例,可以使用VAE神经网络中的解码器(Decoder)或其变体对上述第二编码信息进行布局预测处理,对于Decoder而言,上述布局预测处理过程就是Decoder对上述第二编码信息的解码过程。请参考图9,第一网络可以基于上述第二编码信息得到每个第六对象对应的预测结果以及第五对象对应的预测结果。具体来说,上述布局预测结果可以包括第七对象和第八对象,上述第七对象表征对上述第四信息中的第四对象对应的预测结果,上述第八对象表征对上述第四信息中的第五对象对应的预测结果。上述布局预测结果还可以包括第九对象,上述第九对象表征对第四信息中的第十对象对应的预测结果。
本公开实施例并不对Decoder的预测过程进行限定。具体来说,Decoder至少可以预测拓扑信息以及每个对象的几何位置信息。在一些实施例中,Decoder还可以对语义信息进行预测。在一个实施例中,拓扑信息可以通过边缘概率矩阵的形式表征,基于该边缘概率矩阵可以修正上述每个对象的几何位置信息,该修正过程可以被理解为步骤S202中得到第二编码信息的逆过程,本公开实施例对此不作赘述。简单来说,这一逆过程至少包括如下步骤:预测第一初始对象和第二初始对象,上述第一初始对象表征对上述第四对象的初始预测结果,上述第二初始对象表征对上述邻接对象的初始预测结果;融合上述第一初始对象的几何位置信息和上述第二初始对象的几何位置信息,得到融合结果;根据上述融合结果更新上述第一初始对象的几何位置信息,得到上述第七对象。边缘概率矩阵中的元素表征对应的第六对象对应的预测结果的存在概率,若该概率小于预设阈值,则可以认为该第六对象对应的预测结果不存在,反之,则认为该第六对象对应的预测结果存在。
S204.根据上述第四信息和上述布局预测结果的差异,确定布局预测损失。
本公开实施例中上述布局预测损失可以包括重建损失、存在性损失、拓扑损失、几何验证损失中的至少一个。
在一个实施例中,上述重建损失包括基于上述第四对象的几何位置信息与上述第七对象的几何位置信息的差异确定的损失、基于上述第五对象的几何位置信息与上述第八对象的几何位置信息的差异确定的损失中的至少一个。上述重建损失可以用于刻画第一网络在对对象的形状以及分布位置进行预测时产生的损失。
在一个具体的实施方式中,可以对于每一第六对象,基于该第六对象的几何位置信息与该第六对象对应的预测结果的几何位置信息之间的差异确定第一重建损失,并且基于第八对象的几何位置信息与该第五对象的几何位置信息之间的差异确定第二重建损失,并且将该第一重建损失和第二重建损失的加权求和结果作为上述重建损失。本公开实施例并不对权值进行限定,可以根据实际情况进行设定,在权值均为1的情况下,上述重建损失可以被表述为公式其中,Lr表示重建损失,i为第六对象的标识,Li表示下标为i的第六对象的几何位置信息,表示对下标为i的第六对象对应的预测结果的几何位置信息,ry表示第五对象的几何位置信息,表示第五对象对应的预测结果(第八对象)的几何位置信息,‖‖1表征L1范数。
在一个实施例中,上述存在性损失包括基于第一标识和第二标识的差异确定的损失、基于第三标识和第四标识的差异确定的损失中的至少一个,上述第一标识表征上述第四对象是否存在,上述第二标识表征上述第七对象是否存在,上述第三标识表征第一边是否存在,上述第四标识表征第二边是否存在,上述第一边为上述第四对象中的任一边,上述第二边为上述第七对象中对应于上述第一边的边。
具体来说,上述存在性损失可以包括对象存在性损失和边界存在性损失。前文中基于第一标识和第二标识的差异确定的损失属于对象存在性损失,该损失用于刻画进行对象预测时产生的损失,举个例子,若第四信息中的第六对象的存在与否通过序列{1,1,1,1,0,0,0,0}表征,其中1表示存在,0表示不存在,也就是说,第1至4个第六对象是存在的,第5至8个第六对象是不存在的。经过第一网络得到的布局预测结果中可以通过序列{0,1,1,1,0,0,0,0}表征各第六对象对应的预测结果,也就是说第1个第六对象对应的预测结果以及第5至8个第六对象对应的预测结果均是不存在,第2至4个第六对象对应的预测结果是存的的,显而易见,对于第一个第六对象对应的预测结果是错误的,这就产生了对象存在性损失。
前文中基于第三标识和第四标识的差异确定的损失属于边界存在性损失,该损失用于刻画对各第六对象中的边进行预测时产生的损失。举个例子,若第四信息中的某一第六对象的边存在与否通过序列{1,1,1,1,0}表征,其中1表示存在,0表示不存在,也就是说,该第六对象中第1至4个边是存在的,第5个边是不存在的。经过第一网络得到的布局预测结果中,该第六对象对应的预测结果的边存在与否通过序列{1,1,1,1,1}表征,也就是说,该第六对象对应的预测结果中第1至5个边都是存在,则对第5个边的预测产生了错误,这就产生了边界存在性损失。当然,对于任一第六对象,都可能产生对应的边界存在性损失。
在一个实施例中,上述存在性损失可以通过对象存在性损失和边界存在性损失的加权求和结果表征,本公开实施例并不对权值进行限定,可以根据实际情况进行设定,在权值均为1的情况下,上述存在性损失可以被表述为公式Lx=Llot+Ledge,其中,Lx、Llot、Ledge分别表示存在性损失、对象存在性损失和边界存在性损失。
在一个实施例中,上述拓扑损失包括基于上述第五对象对应的拓扑信息与上述第八对象对应的拓扑信息的差异确定的损失。在一个实施例中可以通过矩阵的形式表达拓扑信息,矩阵形式组织的数据较为稀疏,为了提升对于拓扑损失的关注程度,本公开实施例可以在布局预测损失中为拓扑损失设定相较于对象存在性损失或边界存在性损失更高的权重,当然,本公开实施例对于该权重的具体数值不做限定。
在一个实施例中,上述几何验证损失表征基于上述第七对象和上述第九对象的相对位置关系确定的损失,具体来说,可以通过下述步骤确定上述几何验证性损失:
S401.根据上述第八对象对应的拓扑信息,确定上述第七对象与上述第九对象之间的第一相对位置关系。
本公开实施例中通过几何验证损失刻画预测出的各对象之间的相对位置关系的合理程度,第七对象和第九对象可以被理解为预测得到的各对象中的任意两个对象,根据上述第八对象的拓扑信息,可以确定第七对象和第九对象之间的关系(第一相对位置关系),举例来说,该关系可以为邻接或不邻接。
S402.根据上述第一相对位置关系,确定上述几何验证损失。
本公开实施例认为,上述几何验证损失可以包括第一验证性损失、第二验证性损失、第三验证性损失中的至少一个。在一个实施例中,上述几何验证损失可以通过上述第一验证性损失、第二验证性损失、第三验证性损失的加权求和值得到,本公开实施例并不限定权值,在权值均为1的情况下,几何验证损失可以通过公式Lg=Ladj+Lbound+Lmerge表征,其中,Lg、Ladi、Lbound、Lmerge分别对应表示几何验证损失、第一验证性损失、第二验证性损失、第三验证性损失。当然,对于预测得到的各对象中的任意两个对象,都可能产生第一验证性损失、第二验证性损失和/或第三验证性损失。
具体来说,可以根据上述第七对象的几何位置信息和上述第九对象的几何位置信息,确定第二相对位置关系;根据上述第一相对位置关系和上述第二相对位置关系,得到上述第一验证性损失。举个例子,若该第一相对位置关系表征上述第七对象和第九对象是相邻的,但是该第二相对位置关系表征上述第七对象和第九对象是不相邻的,则产生第一验证性损失。
在一个实施例中,还可以根据上述第七对象的第一边界信息和上述第九对象的第一边界信息,确定第三相对位置关系;根据上述第一相对位置关系和上述第三相对位置关系,得到上述第二验证性损失。举个例子,若该第一相对位置关系表征上述第七对象和第九对象是相邻的,但是该第三相对位置关系表征上述第七对象和第九对象不存在紧密接触的边界,这显然不合常理,产生了第二验证性损失。
在一个实施例中,还可以根据上述第七对象的第二边界信息和上述第九对象的第二边界信息,确定第四相对位置关系;根据上述第一相对位置关系和上述第四相对位置关系,得到上述第三验证性损失。举个例子,若该第一相对位置关系表征上述第七对象和第九对象不相邻,并且第四相对位置关系表征第七对象和第九对象的相对位置关系如图10所示,第七对象的边100与第九对象的边300邻接,第七对象的边200与第九对象的边400邻接,则第一相对位置关系和第四相对位置关系相悖,这显然不合常理,产生了第三验证性损失。
本公开实施例中布局预测损失可以通过包含重建损失、存在性损失、拓扑损失、几何验证损失的方式,分别从几何位置维度、存在性维度、拓扑维度和对象相对位置合理度的维度刻画第一网络产生的预测损失,从而使得基于布局预测损失训练的第一网络可以预测出布局合理、拓扑正确、真实度高的布局信息。
进一步地,在一些实施例中,上述布局预测损失还可以包括语义损失,上述语义损失包括基于上述第四对象的语义信息和上述第七对象的语义信息的差异确定的损失。具体来说,对于每一第六对象,均可以基于该第六对象的语义信息与该第六对象对应的预测结果的语义信息之间的差异确定该第六对象对应的语义损失,布局预测损失可以包括各第六对象对应的语义损失。通过在布局预测损失中包括语义损失,可以使得基于该布局预测损失训练的第一网络预测得到的布局信息中的对象的语义分布合理,从而提升布局信息的真实度。
在一些实施例中,还可以在布局预测损失中加入高斯损失,上述高斯损失用于约束上述布局预测结果对应的统计规律服从标准正态分布,从而得到一个遵循标准正态分布的平滑的潜在空间。如果布局预测损失中包括高斯损失,可以使得基于该布局预测损失训练的第一网络可以在以高斯空间中随机生成的第一信息为输入的情况下,得到质量更为稳定的第二信息。
在一个可行的实施例中,上述布局预测损失可以通过上述重建损失、存在性损失、拓扑损失、几何验证损失、语义损失和高斯损失加权求和得到,本公开实施例并不对权值进行限定,可以根据实际情况对权值进行自由设定。以权值均为1为例,上述布局预测损失可以通过公式L=Lr+Lg+Lx+Lt+Ls+Lv表征,其中,L、Lg、Lt、Ls、Lv分别表示布局预测损失、几何验证损失、拓扑损失、语义损失和高斯损失,其它参数含义请参考前文。
S205.基于上述布局预测损失,调整上述第一网络的参数以及上述第二网络的参数。
本公开实施例中并不限定调整上述第一网络的参数以及上述第二网络的参数的方法,比如,可以采用梯度下降法或随机梯度下降法进行上述参数的反馈调节,直至达到预设的终止条件。本公开实施例并不对终止条件进行限定,比如,可以限定当调节次数达到预设的次数阈值的情况下停止调参,也可以限定当布局预测损失小于预设的损失阈值的情况下停止调参,上述次数阈值和损失阈值的数值可以根据实际情况进行限定,本公开实施例对此不做限制。
本公开实施例通过上述训练过程可以得到第一网络,该第一网络用于布局预测时可以自动快速地得到包含矢量信息的布局信息,并且该布局信息可以以较高精度描述空间布局,基于该布局信息渲染出的空间对象也具备较高的真实度。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格地执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了布局信息生成装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种布局信息生成方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图11示出根据本公开实施例的一种布局信息生成装置的框图;如图11所示,上述装置包括:
第一信息获取模块101,用于获取第一信息,上述第一信息与第一网络对应的输入信息具备相同维度。
布局预测模块102,用于将上述第一信息输入上述第一网络进行布局预测,得到第二信息;其中,上述第二信息包括第一对象的矢量信息以及第二对象的矢量信息,上述第一对象为至少两个第三对象中的任一第三对象,上述至少两个第三对象从属于上述第二对象。
在一些可能的实施方式中,上述第一对象的矢量信息包括上述第一对象的几何位置信息,上述第二对象的矢量信息包括上述第二对象的几何位置信息以及上述第二对象对应的拓扑信息,上述拓扑信息表征从属于上述第二对象的各上述第三对象之间的相对位置关系。
在一些可能的实施方式中,上述第一对象的矢量信息还包括下述至少之一:位置邻接信息,上述位置邻接信息表征上述第一对象与参考对象之间的相对位置关系,上述参考对象为上述至少两个第三对象中除上述第一对象之外的任一第三对象;第一边界信息,上述第一边界信息表征上述第一对象中与上述参考对象邻接的边的信息;第二边界信息,上述第二边界信息表征上述第一对象中与上述参考对象邻接的至少两个边的相对位置关系信息。
在一些可能的实施方式中,上述第二信息还包括上述第一对象的语义信息,上述语义信息表征上述第一对象的应用场景。
在一些可能的实施方式中,上述第一对象的几何位置信息包括上述第一对象的形状信息以及上述第一对象的位置信息,上述第二对象的几何位置信息包括上述第二对象的形状信息以及上述第二对象的位置信息。
在一些可能的实施方式中,上述第一对象的矢量信息被存储于第一节点,上述第二对象的几何位置信息被存储于第二节点,上述第二节点为上述第一节点的父节点。
在一些可能的实施方式中,上述第一信息获取模块,用于执行下述操作:随机确定上述第一信息;或,在高斯空间或泊松空间中随机确定上述第一信息;或,获取第三信息,上述第三信息包括第一目标对象的矢量信息以及第二目标对象的矢量信息,上述第一目标对象为至少两个第三目标对象中的任一第三目标对象,上述至少两个第三目标对象从属于上述第二目标对象;将上述第三信息输入第二网络进行编码,得到第一编码信息;编辑上述第一编码信息,得到上述第一信息。
在一些可能的实施方式中,在上述第三信息包括上述第一目标对象的位置邻接信息的情况下,上述第一信息获取模块,还用于执行下述操作:基于上述至少两个第三目标对象的相对位置对上述至少两个第三目标对象进行排序,得到对象序列;根据上述第一目标对象在上述对象序列中的位置,得到上述第一目标对象的位置邻接信息。
在一些可能的实施方式中,上述第一信息获取模块,还用于执行下述操作:确定第四目标对象和边缘搜索顺序,上述第四目标对象为上述至少两个第三目标对象中预设的第三目标对象,上述边缘搜索顺序为与上述第四目标对象的位置相对应的搜索顺序;对上述第四目标对象进行处理,上述对上述第四目标对象进行处理包括:将上述第四目标对象添加至第一序列,以及基于上述边缘搜索顺序依次搜索第五目标对象,上述第五目标对象为上述至少两个第三目标对象中与上述第四目标对象的边缘邻接的第三目标对象;响应于存在上述第五目标对象的情况,将上述第五目标对象作为上述第四目标对象,重复执行上述对上述第四目标对象进行处理的操作;响应于不存在上述第五目标对象的情况,将上述第一序列确定为上述对象序列。
在一些可能的实施方式中,上述将上述第一信息输入上述第一网络进行布局预测,得到第二信息之前,上述装置还包括训练模块,上述训练模块,包括:样本获取单元,用于获取第四信息,上述第四信息包括第四对象的矢量信息以及第五对象的矢量信息,上述第四对象为至少两个第六对象中的任一第六对象,上述至少两个第六对象从属于上述第五对象;编码单元,用于将上述第四信息输入上述第二网络进行编码,得到第二编码信息;布局预测单元,用于将上述第二编码信息输入上述第一网络进行布局预测,得到布局预测结果;损失确定单元,用于根据上述第四信息和上述布局预测结果的差异,确定布局预测损失;优化单元,用于基于上述布局预测损失,调整上述第一网络的参数以及上述第二网络的参数。
在一些可能的实施方式中,上述第四对象的矢量信息包括上述第四对象的几何位置信息,上述第五对象的矢量信息包括上述第五对象的几何位置信息以及上述第五对象对应的拓扑信息,上述布局预测结果包括第七对象和第八对象,上述第七对象表征对上述第四对象对应的预测结果,上述第八对象表征对上述第五对象对应的预测结果,上述布局预测损失包括重建损失、存在性损失、拓扑损失、几何验证损失中的至少一个;上述重建损失包括基于上述第四对象的几何位置信息与上述第七对象的几何位置信息的差异确定的损失、基于上述第五对象的几何位置信息与上述第八对象的几何位置信息的差异确定的损失中的至少一个;上述存在性损失包括基于第一标识和第二标识的差异确定的损失、基于第三标识和第四标识的差异确定的损失中的至少一个,上述第一标识表征上述第四对象是否存在,上述第二标识表征上述第七对象是否存在,上述第三标识表征第一边是否存在,上述第四标识表征第二边是否存在,上述第一边为上述第四对象中的任一边,上述第二边为上述第七对象中对应于上述第一边的边;上述拓扑损失包括基于上述第五对象对应的拓扑信息与上述第八对象对应的拓扑信息的差异确定的损失;上述布局预测结果还包括第九对象,上述第九对象表征对第十对象对应的预测结果,上述第十对象表征上述至少两个第六对象中不同于上述第四对象的其它第六对象,上述几何验证损失表征基于上述第七对象和上述第九对象的相对位置关系确定的损失。
在一些可能的实施方式中,在上述布局预测损失包括上述几何验证损失的情况下,上述损失确定单元,用于执行下述操作:根据上述第八对象对应的拓扑信息,确定上述第七对象与上述第九对象之间的第一相对位置关系;根据上述第一相对位置关系,确定上述几何验证损失。
在一些可能的实施方式中,上述损失确定单元,用于执行下述操作::根据上述第七对象的几何位置信息和上述第九对象的几何位置信息,确定第二相对位置关系;根据上述第一相对位置关系和上述第二相对位置关系,得到上述几何验证损失;或,在上述第四对象的矢量信息还包括第一边界信息的情况下,根据上述第七对象的第一边界信息和上述第九对象的第一边界信息,确定第三相对位置关系;根据上述第一相对位置关系和上述第三相对位置关系,得到上述几何验证损失;或,在上述第四对象的矢量信息还包括第二边界信息的情况下,根据上述第七对象的第二边界信息和上述第九对象的第二边界信息,确定第四相对位置关系;根据上述第一相对位置关系和上述第四相对位置关系,得到上述几何验证损失。
在一些可能的实施方式中,上述布局预测损失还包括语义损失和高斯损失中的至少一个;在上述第四信息还包括上述第四对象的语义信息的情况下,上述语义损失包括基于上述第四对象的语义信息和上述第七对象的语义信息的差异确定的损失;上述高斯损失用于约束上述布局预测结果对应的统计规律服从标准正态分布。
在一些可能的实施方式中,上述编码单元,用于执行下述操作:对上述第四对象进行编码,得到第三编码信息;对上述第三编码信息和第四编码信息进行融合处理,得到第一融合信息;上述第四编码信息通过对上述第十对象进行编码得到;根据上述第一融合信息,得到上述第二编码信息。
在一些可能的实施方式中,上述编码单元,还用于执行下述操作:根据上述第五对象对应的拓扑信息确定邻接对象,上述邻接对象为与上述第四对象相邻的任一第六对象;融合上述邻接对象的第五编码信息与上述第三编码信息,得到第六编码信息,上述第五编码信息通过对上述邻接对象进行编码得到;上述根据上述第一融合信息,得到上述第二编码信息,包括:对上述第一融合信息和上述第六编码信息进行融合处理,得到上述第二编码信息。
在一些可能的实施方式中,上述第二对象表征街区,上述第三对象表征上述街区中的地块;或,上述第二对象表征房屋,上述第三对象表征上述房屋中的房间。
在一些可能的实施方式中,上述第一对象的形状信息表征上述第一对象的三维形状或上述第一对象的二维形状,上述第二对象的形状信息表征上述第二对象的三维形状或上述第二对象的二维形状。
在一些可能的实施方式中,上述布局预测单元,用于执行下述操作:预测第一初始对象和第二初始对象,上述第一初始对象表征对上述第四对象的初始预测结果,上述第二初始对象表征对上述邻接对象的初始预测结果;融合上述第一初始对象的几何位置信息和上述第二初始对象的几何位置信息,得到融合结果;根据上述融合结果更新上述第一初始对象的几何位置信息,得到上述第七对象。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,上述计算机可读存储介质中存储有至少一条指令或至少一段程序,上述至少一条指令或至少一段程序由处理器加载并执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,上述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图12示出根据本公开实施例的一种电子设备的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图12,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图像,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在上述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。上述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与上述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如上述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G、3G、4G、5G或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,上述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图13示出根据本公开实施例的另一种电子设备的框图。例如,电子设备1900可以被提供为一服务器。参照图13,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,上述编程语言包括面向对象的编程语言—诸如Smalltalk、C+等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,上述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (20)
1.一种布局信息生成方法,其特征在于,所述方法包括:
获取第一信息,所述第一信息与第一网络对应的输入信息具备相同维度;
将所述第一信息输入所述第一网络进行布局预测,得到第二信息;
其中,所述第二信息包括第一对象的矢量信息以及第二对象的矢量信息,所述第一对象为至少两个第三对象中的任一第三对象,所述至少两个第三对象从属于所述第二对象。
2.根据权利要求1所述的方法,其特征在于,所述第一对象的矢量信息包括所述第一对象的几何位置信息,所述第二对象的矢量信息包括所述第二对象的几何位置信息以及所述第二对象对应的拓扑信息,所述拓扑信息表征从属于所述第二对象的各所述第三对象之间的相对位置关系。
3.根据权利要求2所述的方法,其特征在于,所述第一对象的矢量信息还包括下述至少之一:
位置邻接信息,所述位置邻接信息表征所述第一对象与参考对象之间的相对位置关系,所述参考对象为所述至少两个第三对象中除所述第一对象之外的任一第三对象;
第一边界信息,所述第一边界信息表征所述第一对象中与所述参考对象邻接的边的信息;
第二边界信息,所述第二边界信息表征所述第一对象中与所述参考对象邻接的至少两个边的相对位置关系信息。
4.根据权利要求2或3所述的方法,其特征在于,所述第二信息还包括所述第一对象的语义信息,所述语义信息表征所述第一对象的应用场景。
5.根据权利要求2至4中任一项所述的方法,其特征在于,所述第一对象的几何位置信息包括所述第一对象的形状信息以及所述第一对象的位置信息,所述第二对象的几何位置信息包括所述第二对象的形状信息以及所述第二对象的位置信息。
6.根据权利要求2至5中任一项所述的方法,其特征在于,所述第一对象的矢量信息被存储于第一节点,所述第二对象的几何位置信息被存储于第二节点,所述第二节点为所述第一节点的父节点。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述获取第一信息,包括:
随机确定所述第一信息;
或,
在高斯空间或泊松空间中随机确定所述第一信息;
或,
获取第三信息,所述第三信息包括第一目标对象的矢量信息以及第二目标对象的矢量信息,所述第一目标对象为至少两个第三目标对象中的任一第三目标对象,所述至少两个第三目标对象从属于所述第二目标对象;
将所述第三信息输入第二网络进行编码,得到第一编码信息;
编辑所述第一编码信息,得到所述第一信息。
8.根据权利要求7所述的方法,其特征在于,在所述第三信息包括所述第一目标对象的位置邻接信息的情况下,所述获取第三信息,包括:
基于所述至少两个第三目标对象的相对位置对所述至少两个第三目标对象进行排序,得到对象序列;
根据所述第一目标对象在所述对象序列中的位置,得到所述第一目标对象的位置邻接信息。
9.根据权利要求8所述的方法,其特征在于,所述基于所述至少两个第三目标对象的相对位置对所述至少两个第三目标对象进行排序,得到对象序列,包括:
确定第四目标对象和边缘搜索顺序,所述第四目标对象为所述至少两个第三目标对象中预设的第三目标对象,所述边缘搜索顺序为与所述第四目标对象的位置相对应的搜索顺序;
对所述第四目标对象进行处理,所述对所述第四目标对象进行处理包括:将所述第四目标对象添加至第一序列,以及基于所述边缘搜索顺序依次搜索第五目标对象,所述第五目标对象为所述至少两个第三目标对象中与所述第四目标对象的边缘邻接的第三目标对象;
响应于存在所述第五目标对象的情况,将所述第五目标对象作为所述第四目标对象,重复执行所述对所述第四目标对象进行处理的操作;
响应于不存在所述第五目标对象的情况,将所述第一序列确定为所述对象序列。
10.根据权利要求1至9中任一项所述的方法,其特征在于,所述将所述第一信息输入所述第一网络进行布局预测,得到第二信息之前,所述方法还包括对所述第一网络进行训练,所述对所述第一网络进行训练,包括:
获取第四信息,所述第四信息包括第四对象的矢量信息以及第五对象的矢量信息,所述第四对象为至少两个第六对象中的任一第六对象,所述至少两个第六对象从属于所述第五对象;
将所述第四信息输入所述第二网络进行编码,得到第二编码信息;
将所述第二编码信息输入所述第一网络进行布局预测,得到布局预测结果;
根据所述第四信息和所述布局预测结果的差异,确定布局预测损失;
基于所述布局预测损失,调整所述第一网络的参数以及所述第二网络的参数。
11.根据权利要求10所述的方法,其特征在于,所述第四对象的矢量信息包括所述第四对象的几何位置信息,所述第五对象的矢量信息包括所述第五对象的几何位置信息以及所述第五对象对应的拓扑信息,所述布局预测结果包括第七对象和第八对象,所述第七对象表征对所述第四对象对应的预测结果,所述第八对象表征对所述第五对象对应的预测结果,所述布局预测损失包括重建损失、存在性损失、拓扑损失、几何验证损失中的至少一个;
所述重建损失包括基于所述第四对象的几何位置信息与所述第七对象的几何位置信息的差异确定的损失、基于所述第五对象的几何位置信息与所述第八对象的几何位置信息的差异确定的损失中的至少一个;
所述存在性损失包括基于第一标识和第二标识的差异确定的损失、基于第三标识和第四标识的差异确定的损失中的至少一个,所述第一标识表征所述第四对象是否存在,所述第二标识表征所述第七对象是否存在,所述第三标识表征第一边是否存在,所述第四标识表征第二边是否存在,所述第一边为所述第四对象中的任一边,所述第二边为所述第七对象中对应于所述第一边的边;
所述拓扑损失包括基于所述第五对象对应的拓扑信息与所述第八对象对应的拓扑信息的差异确定的损失;
所述布局预测结果还包括第九对象,所述第九对象表征对第十对象对应的预测结果,所述第十对象表征所述至少两个第六对象中不同于所述第四对象的其它第六对象,所述几何验证损失表征基于所述第七对象和所述第九对象的相对位置关系确定的损失。
12.根据权利要求11所述的方法,其特征在于,在所述布局预测损失包括所述几何验证损失的情况下,所述根据所述第四信息和所述布局预测结果的差异,确定布局预测损失,包括:
根据所述第八对象对应的拓扑信息,确定所述第七对象与所述第九对象之间的第一相对位置关系;
根据所述第一相对位置关系,确定所述几何验证损失。
13.根据权利要求12所述的方法,其特征在于,所述根据所述第一相对位置关系,确定所述几何验证损失,包括:
根据所述第七对象的几何位置信息和所述第九对象的几何位置信息,确定第二相对位置关系;根据所述第一相对位置关系和所述第二相对位置关系,得到所述几何验证损失;
或,
在所述第四对象的矢量信息还包括第一边界信息的情况下,根据所述第七对象的第一边界信息和所述第九对象的第一边界信息,确定第三相对位置关系;根据所述第一相对位置关系和所述第三相对位置关系,得到所述几何验证损失;
或,
在所述第四对象的矢量信息还包括第二边界信息的情况下,根据所述第七对象的第二边界信息和所述第九对象的第二边界信息,确定第四相对位置关系;根据所述第一相对位置关系和所述第四相对位置关系,得到所述几何验证损失。
14.根据权利要求11至13中任一项所述的方法,其特征在于,所述布局预测损失还包括语义损失和高斯损失中的至少一个;
在所述第四信息还包括所述第四对象的语义信息的情况下,所述语义损失包括基于所述第四对象的语义信息和所述第七对象的语义信息的差异确定的损失;
所述高斯损失用于约束所述布局预测结果对应的统计规律服从标准正态分布。
15.根据权利要求10至14中任一项所述的方法,其特征在于,所述将所述第四信息输入所述第二网络进行编码,得到第二编码信息,包括:
对所述第四对象进行编码,得到第三编码信息;
对所述第三编码信息和第四编码信息进行融合处理,得到第一融合信息;所述第四编码信息通过对所述第十对象进行编码得到;
根据所述第一融合信息,得到所述第二编码信息。
16.根据权利要求15所述的方法,其特征在于,所述对所述第四对象进行编码,得到第三编码信息之后,所述方法还包括:
根据所述第五对象对应的拓扑信息确定邻接对象,所述邻接对象为与所述第四对象相邻的任一第六对象;
融合所述邻接对象的第五编码信息与所述第三编码信息,得到第六编码信息,所述第五编码信息通过对所述邻接对象进行编码得到;
所述根据所述第一融合信息,得到所述第二编码信息,包括:对所述第一融合信息和所述第六编码信息进行融合处理,得到所述第二编码信息。
17.根据权利要求1至16中任一项所述的方法,其特征在于,所述第二对象表征街区,所述第三对象表征所述街区中的地块;或,所述第二对象表征房屋,所述第三对象表征所述房屋中的房间。
18.一种布局信息生成装置,其特征在于,所述装置包括:
第一信息获取模块,用于获取第一信息,所述第一信息与第一网络对应的输入信息具备相同维度;
布局预测模块,用于将所述第一信息输入所述第一网络进行布局预测,得到第二信息;
其中,所述第二信息包括第一对象的矢量信息以及第二对象的矢量信息,所述第一对象为至少两个第三对象中的任一第三对象,所述至少两个第三对象从属于所述第二对象。
19.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1至17中任一项所述的布局信息生成方法。
20.一种电子设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1至17中任一项所述的布局信息生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111128490.XA CN113779889B (zh) | 2021-09-26 | 2021-09-26 | 布局信息生成方法、装置、存储介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111128490.XA CN113779889B (zh) | 2021-09-26 | 2021-09-26 | 布局信息生成方法、装置、存储介质以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113779889A true CN113779889A (zh) | 2021-12-10 |
CN113779889B CN113779889B (zh) | 2024-04-16 |
Family
ID=78853436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111128490.XA Active CN113779889B (zh) | 2021-09-26 | 2021-09-26 | 布局信息生成方法、装置、存储介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779889B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101268701A (zh) * | 2005-09-16 | 2008-09-17 | 索尼电子有限公司 | 时间预测滤波器对不规则运动矢量采样进行的自适应运动估计 |
CN102771110A (zh) * | 2010-02-25 | 2012-11-07 | 想象技术有限公司 | 运动估计***中使用图形引擎获取的矢量的对象跟踪 |
CN102835110A (zh) * | 2010-02-09 | 2012-12-19 | 日本电信电话株式会社 | 运动矢量预测编码方法、运动矢量预测解码方法、运动图像编码装置、运动图像解码装置及其程序 |
KR20140133994A (ko) * | 2013-05-13 | 2014-11-21 | 현대오트론 주식회사 | 충돌 경고 방법 및 장치 |
CN110928627A (zh) * | 2019-11-22 | 2020-03-27 | 北京市商汤科技开发有限公司 | 界面展示方法及装置、电子设备和存储介质 |
CN111624634A (zh) * | 2020-05-11 | 2020-09-04 | 中国科学院深圳先进技术研究院 | 基于深度卷积神经网络的卫星定位误差评估方法和*** |
WO2021184530A1 (zh) * | 2020-03-18 | 2021-09-23 | 清华大学 | 基于强化学习的无标签六维物体姿态预测方法及装置 |
-
2021
- 2021-09-26 CN CN202111128490.XA patent/CN113779889B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101268701A (zh) * | 2005-09-16 | 2008-09-17 | 索尼电子有限公司 | 时间预测滤波器对不规则运动矢量采样进行的自适应运动估计 |
CN102835110A (zh) * | 2010-02-09 | 2012-12-19 | 日本电信电话株式会社 | 运动矢量预测编码方法、运动矢量预测解码方法、运动图像编码装置、运动图像解码装置及其程序 |
CN102771110A (zh) * | 2010-02-25 | 2012-11-07 | 想象技术有限公司 | 运动估计***中使用图形引擎获取的矢量的对象跟踪 |
KR20140133994A (ko) * | 2013-05-13 | 2014-11-21 | 현대오트론 주식회사 | 충돌 경고 방법 및 장치 |
CN110928627A (zh) * | 2019-11-22 | 2020-03-27 | 北京市商汤科技开发有限公司 | 界面展示方法及装置、电子设备和存储介质 |
WO2021184530A1 (zh) * | 2020-03-18 | 2021-09-23 | 清华大学 | 基于强化学习的无标签六维物体姿态预测方法及装置 |
CN111624634A (zh) * | 2020-05-11 | 2020-09-04 | 中国科学院深圳先进技术研究院 | 基于深度卷积神经网络的卫星定位误差评估方法和*** |
Non-Patent Citations (1)
Title |
---|
陈万鹏;张晓楠;陈达;: "路网矢量地图数据生成实体对象的方法研究", 测绘与空间地理信息, no. 04 * |
Also Published As
Publication number | Publication date |
---|---|
CN113779889B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110189249B (zh) | 一种图像处理方法及装置、电子设备和存储介质 | |
CN111340766B (zh) | 目标对象的检测方法、装置、设备和存储介质 | |
CN109889724B (zh) | 图像虚化方法、装置、电子设备及可读存储介质 | |
CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
CN110378976A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110188865B (zh) | 信息处理方法及装置、电子设备和存储介质 | |
CN112712578A (zh) | 虚拟角色模型创建方法、装置、电子设备和存储介质 | |
CN107560619A (zh) | 路径推荐方法和装置 | |
CN112668707B (zh) | 运算方法、装置及相关产品 | |
WO2023142645A1 (zh) | 图像处理方法、装置、电子设备、存储介质和计算机程序产品 | |
CN114387445A (zh) | 对象关键点识别方法及装置、电子设备和存储介质 | |
CN111832105A (zh) | 模型融合方法及相关装置 | |
CN110490164A (zh) | 生成虚拟表情的方法、装置、设备及介质 | |
CN110929616B (zh) | 一种人手识别方法、装置、电子设备和存储介质 | |
CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN109903252A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113902869A (zh) | 三维头部网格生成方法、装置、电子设备和存储介质 | |
CN110197459B (zh) | 图像风格化生成方法、装置及电子设备 | |
CN113779889B (zh) | 布局信息生成方法、装置、存储介质以及电子设备 | |
CN115512116B (zh) | 图像分割模型优化方法、装置、电子设备及可读存储介质 | |
CN116310169A (zh) | 高精地图的绘制方法、装置、设备、介质及程序产品 | |
CN113742804B (zh) | 家具布局图生成方法、装置、设备及存储介质 | |
CN114445778A (zh) | 一种计数方法及装置、电子设备和存储介质 | |
CN112330721B (zh) | 三维坐标的恢复方法及装置、电子设备和存储介质 | |
CN114091133A (zh) | 一种城市信息模型建模方法、装置、终端设备及存储介质 |
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 |