[发明专利]基于对抗学习的户型图识别方法和装置

说明书

本发明公开了一种基于对抗学习的户型图识别方法，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，以确定初始户型图识别模型，更新初始户型图识别模型的模型参数，更新对抗模型的模型参数，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，采用最终户型图识别模型识别待识别户型图，在针对待识别户型图的识别过程中，根据生成对抗网络的特性，引入对抗性，利用判别器来判断模型识别出的户型图在整体结构上的合理性，并进行对抗学习，以此解决目前户型图识别方法只关注局部信息而忽视整体结构的问题，从而提高户型图识别的精度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于对抗学习的户型图识别方法、装置、计算机设备和存储介质。

背景技术

近年来，随着互联网特别是移动互联网的发展，大数据时代到来，产生了海量的数据。因此需要大量数据进行训练的深度神经网络得到了飞跃发展。深度神经网络在自然语言处理、图像识别、目标检测等领域获得的很大的突破，有些地方的表现已经超越了人类。而且在很多工业领域进行了成功应用，如语音助手、无人超市、人脸支付、智能交通、智能客服等。但是，只有能够制造出来，才是真正的掌握。生成对抗网络就是让神经网络根据它学到的知识生成新的符合要求的事物。生成对抗网络通过两个神经网络之间的交替学习形成对抗性，这两个网络一个用来生成称为生成器，一个用来判别生成的质量好坏称为判别器。判别器和生成器通过对抗来提高自己的能力。在户型图识别任务中，需要识别出门、窗、墙以及房间的类型。但门、窗、墙相比房间只占了特别小的比例，因此在识别时比较困难。目前的户型图识别方法中，关注的主要是局部的信息，比如户型图中每个像素属于哪个类别，是属于门、窗、墙还是哪个房间，而没有在整体结构上关注分类的合理性，因而容易影响户型图识别的精度。

发明内容

针对以上问题，本发明提出一种基于对抗学习的户型图识别方法、装置、计算机设备和存储介质。

为实现本发明的目的，提供一种基于对抗学习的户型图识别方法，包括如下步骤：

S10，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；

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。

在一个实施例中，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。

在一个实施例中，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