[发明专利]基于深度对抗网络模型的室内功能区划分方法

权利要求书

1.基于深度对抗网络模型的室内功能区划分方法，其特征在于该方法包括以下步骤：

第一步：数据集制作；

从家具布局完善的户型图中提取卧室，客厅，书房布局图，并对这些房间标注门窗；按照家具功能的类似程度和集中情况，圈出功能区；这些处理过的布局图，被用作模型的训练，用以学习这些功能区之间的相对关系，以及功能区位置大小和过道，门窗，户型形状的内在联系，获得生成式功能区分割模型；所述的功能区是指一个户型中的家具按照其功能属性集中成群出现在户型中的若干个区域；

第二步：把数据集输入DCGAN神经网络模型进行训练，训练过程中空户型的轮廓和门窗位置信息作为条件变量，用于约束室内的功能区划分，并对模型进行参数调整和结构改善；

进过训练、参数调整和结构改善后的DCGAN神经网络模型，其输入为空的户型图；输出即为功能区划分完毕的户型图；

所述的DCGAN神经网络模型经过了以下的迭代训练：

S1.随机噪声联合空户型信息输入DCGAN神经网络模型中的生成器，生成器产生一组初代假样本；

S2.使用第一步得到的数据集，训练DCGAN神经网络模型中的判别器，判别器返回一个概率阈值参数，用于反映此轮生成器产生样本接近真实样本的程度；

S3.利用判别网络的返回的概率阈值参数指导生成器调整自身模型参数，生成一组比上次迭代更为标准的样本；

S4.返回S2，迭代调整到判别器无法判断生成器生成样本是否为真实样本时停止迭代。

2.根据权利要求1所述的基于深度对抗网络模型的室内功能区划分方法，其特征在于：所述的概率阈值参数为0.5时，生成样本最接近真实样本。

3.根据权利要求1所述的基于深度对抗网络模型的室内功能区划分方法，其特征在于：所述的生成器是U-net结构，而判别器设计成一个二维的卷积，最后一层经过sigmod函数处理用于返回一个概率阈值参数。

4.根据权利要求1至3中任一项所述的基于深度对抗网络模型的室内功能区划分方法，其特征在于：所述的DCGAN神经网络模型进行训练时其学习速率η=0.002，迭代次数epoch=250。