[发明专利]一种基于孪生网络的房屋布局方法及系统

说明书

本发明公开了一种基于孪生网络的房屋布局评分器训练方法。该方法首先针对训练集过小，将大师设计好的房屋布局方案进行微调，对家具进行适当地平移、旋转、缩放及增减得到更多的训练数据；其次，将数据集进行正负集划分，正样本集为大师的布局方案，负样本集为微调后的布局方案；最后，提取数据在不同维度的特征，依此输入到孪生网络中进行训练，最终可以得到某一方案的综合得分。

技术领域

本发明涉及一种基于孪生网络的房屋布局评分器训练方法。

背景技术

在房屋自动布局的过程中，通常需要评估布局结果的好坏，因此房屋布局评分器就显得很重要。

然而在现有技术中，通常是由设计师进行人工审核，判断自动生成的布局是否符合相关的用户需要，导致了这一过程耗时费力，并且会受到较多的主观的影响。

发明内容

基于上述问题，本发明提出了一种基于孪生网络的房屋布局评分器训练方法。首先，针对训练集过小且缺乏负样本，将大师设计好的房屋布局方案进行微调，对家具进行适当地平移、旋转、缩放及增减得到更多的训练数据；其次，将数据集进行正负集划分，正样本集为大师的布局方案，负样本集为微调后的布局方案；最后，提取数据在不同维度的特征，依此输入到孪生网络中进行训练，最终可以得到某一方案的综合得分。

一种基于孪生网络的房屋布局方法，包括如下步骤：

第1步，获得房屋布局设计图的样本集，作为训练样本，将其中的设计图根据设计效果分类为合理设计图与不合理设计图；

第2步，采用多示例学习的方法将合理设计图与不合理设计图进行训练样本的划分，一个训练样本中所有的设计图都是合理设计图时，该样本为正样本，一个训练样本中至少有一个设计图是不合理样本时，该样本为负样本；

第3步，将正样本和负样本分别输入至孪生网络中，孪生网络的输出值为正样本与负样本之间的分差值；并对孪生网络进行训练；

第4步，采用待评价的设计图输入至训练好的孪生网络中的任意一个网络模型中，得到输出值；将输出值作为该设计图的得分。

在一个实施方式中，正样本和负样本中的户型图需要经过特征提取后再输入至孪生网络中。

在一个实施方式中，第3步中的孪生网络计算过程是：将正样本和负样本进行特征提取后，再对提取后的数据进行编码，并将编码得到的向量分别输入至两个孪生网络中，两个孪生网络相互之间共享权重；分差值是通过以下方式计算得到：

E_W(X₁，X₂)＝||G_W(X₁)-G_W(X₂)||

其中，X₁，X₂分别为两个孪生网络的输入的经过特征提取后的数据，G_W(X)为模型，其中W表示模型参数，G_W的作用就是将输入数据X转换为一组特征向量；Ew计算出两个特征向量之间的L1距离。

在一个实施方式中，孪生神经网络的损失函数定义为：

L(W，(Y，X₁，X₂)ⁱ)＝(1-Y)L_G(E_W(X₁，X₂)ⁱ)+YL_I(E_W(X₁，X₂)ⁱ)