[发明专利]基于对抗学习的户型图识别方法和装置

权利要求书

1.一种基于对抗学习的户型图识别方法，其特征在于，包括如下步骤：

S10，采用卷积神经网络建立模型的降维部分，采用反卷积神经网络建立模型的升维部分，根据模型降维部分和模型升维部分确定初始户型图识别模型；

S20，构建对抗模型；

S30，针对初始户型图识别模型预训练，以更新初始户型图识别模型的模型参数；

S40，利用预训练后的初始户型图识别模型对对抗模型进行预训练，以更新对抗模型的模型参数；

S50，在初始户型图识别模型和对抗模型都预训练完成后进行两者之间的对抗训练，在总代价函数达到第一设定标准时，根据初始户型图识别模型当前的参数确定最终户型图识别模型；所述总代价函数为初始户型图识别模型的代价函数和对抗模型的代价函数之和；

S60，采用最终户型图识别模型识别待识别户型图；

所述针对初始户型图识别模型预训练，以更新初始户型图识别模型的模型参数包括：

将户型图训练样本输入初始户型图识别模型，获得初始户型图识别模型输出的概率图，将概率图与户型图训练样本的真值之间的平方差作为初始户型图识别模型的代价函数，在初始户型图识别模型的代价函数达到第二设定标准时，根据初始户型图识别模型当前的模型参数确定初始户型图识别模型在预训练后的模型参数。

2.根据权利要求1所述的基于对抗学习的户型图识别方法，其特征在于，所述利用预训练后的初始户型图识别模型对对抗模型进行预训练，以更新对抗模型的模型参数包括：

训练时户型图首先输入户型图识别模型，户型图识别模型输出概率图；然后该概率图与真值分别输入对抗模型，当概率图输入对抗模型时，对抗模型的输出与0的平方差作为代价函数；当真值输入对抗模型时，对抗模型的输出与1的平方差作为代价函数

将预训练后的初始户型图识别模型针对户型图训练样本输出的概率图与户型图训练样本的真值分别输入对抗模型，将对抗模型的输出与0的平方差作为对抗模型的代价函数，在对抗模型的代价函数达到第三设定标准时，根据对抗模型当前的模型参数确定对抗模型在预训练后的模型参数。

3.根据权利要求2所述的基于对抗学习的户型图识别方法，其特征在于，所述对抗模型的模型结构包括[conv, pool, conv, pool, conv, pool, conv, pool, conv, pool,conv, pool], 其中conv代表卷积核大小为3x3的卷积层；pool代表最大池化层。

4.一种基于对抗学习的户型图识别装置，其特征在于，包括：

建立模块，用于采用卷积神经网络建立的模型降维部分，采用反卷积神经网络建立的模型升维部分，根据模型降维部分和模型升维部分确定初始户型图识别模型，构建对抗模型；

第一预训练模块，用于针对初始户型图识别模型预训练，以更新初始户型图识别模型的模型参数；

第二预训练模块，用于利用预训练后的初始户型图识别模型对对抗模型进行预训练，以更新对抗模型的模型参数；

对抗训练模块，用于在初始户型图识别模型和对抗模型都预训练完成后进行两者之间的对抗训练，在总代价函数达到第一设定标准时，根据初始户型图识别模型当前的参数确定最终户型图识别模型；所述总代价函数为初始户型图识别模型的代价函数和对抗模型的代价函数之和；

识别模块，用于采用最终户型图识别模型识别待识别户型图；

所述第一预训练模块用于将户型图训练样本输入初始户型图识别模型，获得初始户型图识别模型输出的概率图，将概率图与户型图训练样本的真值之间的平方差作为初始户型图识别模型的代价函数，在初始户型图识别模型的代价函数达到第二设定标准时，根据初始户型图识别模型当前的模型参数确定初始户型图识别模型在预训练后的模型参数。

5.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1所述的基于对抗学习的户型图识别方法的步骤。

6.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1所述的基于对抗学习的户型图识别方法的步骤。