申请/专利权人：深圳大学

申请日：2023-10-12

公开（公告）日：2024-04-02

公开（公告）号：CN117058491B

主分类号：G06V10/774

分类号：G06V10/774;G06V10/764;G06V10/82;G06N3/044;G06N3/0455;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2023.12.01#实质审查的生效;2023.11.14#公开

摘要：本申请公开了一种基于递归神经网络的结构化网格布局生成方法及设备，方法包括获取训练结构化网格布局的训练布局树；将训练布局树输入初始生成网络模型中的递归编码模块，得到训练潜在编码向量；将训练潜在编码向量输入变分自编码器生成感知编码向量；将感知编码向量输入初始生成网络模型中的递归解码模块得到预测布局树；基于训练布局树和预测布局树训练初始生成网络模型，得到生成网络模型；基于生成网络模型生成结构化网格布局。本申请中的生成网络模型以递归方式自下而上的将结构化网格布局嵌入到潜在编码空间，以学习到结构化网格布局中的元素全局关系，然后再通过该潜在编码空间解码出结构化平面布局，提高了网格布局的生成能力。

主权项：1.一种基于递归神经网络的结构化网格布局生成方法，其特征在于，所述基于递归神经网络的结构化网格布局生成方法包括：获取预设训练数据集中的训练结构化网格布局的训练布局树；将所述训练布局树输入初始生成网络模型中的递归编码模块，通过所述递归编码模块对所述训练布局树进行编码，以得到训练潜在编码向量；将所述训练潜在编码向量输入变分自编码器，通过变分自编码器生成感知编码向量；将所述感知编码向量输入初始生成网络模型中的递归解码模块，通过递归解码模块对所述感知编码向量进行解码，以得到预测布局树；基于所述训练布局树和所述预测布局树对所述初始生成网络模型进行训练，以得到经过训练的生成网络模型；基于所述生成网络模型，生成结构化网格布局;其中，所述获取预设训练数据集中的训练结构化网格布局的训练布局树具体包括：对于预设训练数据集中的训练结构化网格布局，采用水平和垂直递归拆分的方式，将训练结构化网格布局划分为若干布局元素，并获取各布局元素间的排列关系；基于所述若干布局元素以及排列关系生成训练布局树，其中，所述训练布局树中的叶子节点用于存储布局元素的几何信息以及节点类型，所述训练布局树中的分支节点用于存储布局元素间的排列关系以及节点类型，节点类型按照训练结构布局中的各节作用划分为排列类型和元素类型，排列类型用于存储排列关系的节点，元素类型用于存储布局元素的几何信息的节点；排列关系包括水平排列H、垂直排列V和堆叠排列S，当包含有多个布局元素的子元素无法按照水平方向或垂直方向拆分时，判定该子元素包含堆叠排列元素，对于包含堆叠排列元素的子元素,将子元素中最大元素作为一个布局元素，或者将子元素中最小元素作为一个布局元素，对剩余元素进行递归划分;所述递归编码模块包括几何编码器、类别编码器、元素编码器以及排列编码器，所述几何编码器和类别编码器均与所述元素编码器相连接，所述元素编码器用于对训练布局树中的叶子节点进行编码，所述排列编码器用于对训练布局树中的分支节点进行编码，其中，所述排列编码器包括水平排列编码器、垂直排布编码器以及堆叠排布编码器；几何编码器的输入项为几何信息（x，y，w，h），x和y是布局元素的边界框左上角的位置坐标，w和h是布局元素宽高的相对大小，输出信息为几何特征编码；类别编码器用于将训练布局树中叶子节点的语义标签转换为类别标签特征编码；元素编码器的输入项为几何特征编码和类别标签特征编码，输出信息为叶子节点的特征编码。

全文数据：

权利要求：

百度查询： 深圳大学 基于递归神经网络的结构化网格布局生成方法及设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD