2019年人工智能在户型图自动生成算法中的应用.pdf

1、2019 KE.COM ALL COPYRIGHTS RESERVED1FloorNet&GAN基于点云的户型图重建方法2019 KE.COM ALL COPYRIGHTS RESERVED3目的 输入为点云，输出为户型图（的一部分）目前的目标为帮助摄影师画出一部分墙面，不包括门窗与功能间 要求：错误的墙面尽量少，宁缺毋滥 误差：不超过10cm 评价指标：召回率预测正确的墙面数量/真实的墙面数量错误率预测错误的墙面数量/预测的墙面数量距离分类仅针对正确的墙面精确匹配预测墙面与真实墙面的距离小于5cm不精确匹配预测墙面与真实墙面的距离在5cm-10cm之间过远匹配预测墙面与真实墙面的距离大于10

2、cm2019 KE.COM ALL COPYRIGHTS RESERVED42019 KE.COM ALL COPYRIGHTS RESERVED4FloorNet 算法简介2019 KE.COM ALL COPYRIGHTS RESERVED5网络结构2019 KE.COM ALL COPYRIGHTS RESERVED6网络结构 三个分支：PointNet，FCN，Image PointNet：输入为点云（9*50000），直接在上面进行卷积等操作 FCN：输入为俯视的点云密度图，有skip connection Image：Dilated residual network&stacked

3、 hourglass CNN 每个分支的每一层之间共享特征2019 KE.COM ALL COPYRIGHTS RESERVED7训练数据 输入：点云9*50000（经过降采样）、图像特征（现在没有）输出：角点的热力图（21种）、功能间的热力图、物品的热力图（现在没有）角点：墙13种（I、L、T、X）、门窗4种、物品4种2019 KE.COM ALL COPYRIGHTS RESERVED8网络输出2019 KE.COM ALL COPYRIGHTS RESERVED9问题 数据缺失：没有图像特征数据、没有物品数据2019 KE.COM ALL COPYRIGHTS RESERVED10改进

4、将点数从50000增加至200000，边长从256增至512 对网络进行简化，只保留FCN部分2000005122019 KE.COM ALL COPYRIGHTS RESERVED11结果：还不错 模型缩小，训练速度加快 性能并没有降低太多（论文里其实已经给出对比结果了）召回率：88.68%错误率：7.54%精确匹配：71.61%不精确匹配：21.04%过远匹配：7.34%2019 KE.COM ALL COPYRIGHTS RESERVED12结果：正确2019 KE.COM ALL COPYRIGHTS RESERVED13结果：正确2019 KE.COM ALL COPYRIGHTS

5、RESERVED14结果：正确2019 KE.COM ALL COPYRIGHTS RESERVED15结果：有缺少&错误的墙面2019 KE.COM ALL COPYRIGHTS RESERVED16结果：有缺少&错误的墙面2019 KE.COM ALL COPYRIGHTS RESERVED17结果：无法正确预测不封闭的墙面2019 KE.COM ALL COPYRIGHTS RESERVED18结果：无法正确预测不封闭的墙面2019 KE.COM ALL COPYRIGHTS RESERVED19结果：无法正确预测不封闭的墙面2019 KE.COM ALL COPYRIGHTS RESE

6、RVED20问题 网络输出结果通过一系列复杂规则转化为矢量的户型图（利用Gurobi建模）代码冗长，维护不便；且规则严苛，经常出现重建失败的情况 所有房间必须封闭、无法重建斜向墙面等2019 KE.COM ALL COPYRIGHTS RESERVED212019 KE.COM ALL COPYRIGHTS RESERVED21基于GAN的户型图重建算法2019 KE.COM ALL COPYRIGHTS RESERVED22对抗生成网络简介 GAN的基本原理非常简单，这里以生成图片为例进行说明。假设我们有两个网络G和D：G是一个生成图片的网络，它通过一个随机噪声噪声生成图片。D是一个判别网络