[发明专利]一种基于深度学习和迁移学习的3D画智能推荐方法

权利要求书

1.一种基于深度学习和迁移学习的3D画智能推荐方法，其特征在于，包括以下步骤：

S1：构建基于公共图像数据集的图像分类器RCLF；其中，公共图像数据集是MIT计算科学Places205公开数据集，选择卷积模型Inception-ResNet在Places205公开数据集上训练后，得到一个识别Places205公开数据集中各个场景的图像分类器RCLF；

S2：基于步骤S1中得到的图像分类器RCLF的3D画场景空间迁移学习；

S21，保持图像分类器RCLF除softmax层和全连接层以外其他层的参数不变，将softmax层的参数学习率调大2倍，将全连接层其他参数的学习率调小一半；

S22，将用户自己收集的3D画场景数据集SS训练全连接层，以捕获3D画场景空间信息，最后得到一个4分类的3D画场景空间分类器DCLF；

S3：构建3D画设计方案推荐图库的信息指纹；

S31，收集3D画设计方案图像，作为待推荐的结果数据集；

S32，对收集的每张3D画图像构建信息指纹FPS；

S33，然后使用哈希感知算法求步骤S32中各图像的哈希感知指纹；

S4：基于现实场景的3D画设计方案输出；

S41，用户拍摄一张现实场景图片Ps，作为匹配服务请求；

S42，将步骤S41中的图片传给分类器DCLF识别，得到对用户场景的智能识别结果scene；

S43，对用户场景图片Ps采用步骤S3方法计算出其对应的信息指纹fp；

S44，在3D画设计方案推荐图库中寻找属于场景类别为scene的样本子集CSS；

S45，将样本子集CSS中的每一张图片的信息指纹cp与用户场景图片Ps的信息指纹fp求汉明距离，样本子集CSS中汉明距离最小的3D画设计方案图片为推荐结果Ds。

2.根据权利要求1所述的一种基于深度学习和迁移学习的3D画智能推荐方法，其特征在于：所述Places205公开数据集是MIT计算机科学和人工智能实验室收集的超过二百五十万张场景图片，总共有205个场景类别。

3.根据权利要求1所述的一种基于深度学习和迁移学习的3D画智能推荐方法，其特征在于：所述3D画场景数据集SS包括不同色彩、墙面、地面、墙地面和凹墙角面的3D画。

4.根据权利要求1所述的一种基于深度学习和迁移学习的3D画智能推荐方法，其特征在于：所述信息指纹FPS构建过程为对图片中心区域a各通道像素值置零，图片中心区域a为原图长宽的50％。