一种基于深度学习和迁移学习的3D画智能推荐方法与流程

本发明涉及一种机器学习与图像处理领域，特别是涉及一种基于深度学习和迁移学习的3d画智能推荐方法。

背景技术：

近年来，裸眼3d画以其特殊的艺术表现、超强的视觉震撼力以及极具趣味的互动性受到越来越多的关注与追捧，覆盖了装修、广告、展会和家居等多个领域，具有广阔的发展前景。3d画是一种利用反透视和视错觉原理的特殊艺术形式，并且需要巧妙利用环境和空间结构融合进行创作。因此根据特定环境和空间结构进行3d画设计是比较费时费力，对画家的经验和水平也有着一定的要求。在传统模式下，画家需要熟练运用绘画中的各种透视关系，以及具备非常强的空间感才能设计出一副好的3d画。一些新人画师也因为缺乏经验无法独立设计3d画，成为3d画绘制行业的一个空缺。

技术实现要素：

本发明提供了一种基于深度学习和迁移学习的3d画智能推荐方法，其克服了现有技术的基于深度学习和迁移学习的3d画智能推荐方法所存在的不足之处。

本发明解决其技术问题所采用的技术方案是：一种基于深度学习和迁移学习的3d画智能推荐方法，包括以下步骤：

s1：构建基于公共图像数据集的图像分类器rclf；其中，公共图像数据集bs是mit计算科学places205公开数据集，选择卷积模型inception-resnet在places205公开数据集上训练后，得到一个识别places205公开数据集中各个场景的图像分类器rclf；

s2：基于步骤s1中得到的图像分类器rclf的3d画场景空间迁移学习；

s21，保持图像分类器rclf除softmax层以外其他层的参数不变，将softmax层的参数学习率调大2倍，将全连接层其他参数的学习率调小一半；

s22，将用户自己收集的3d画场景数据集ss训练全连接层，以捕获3d画场景空间信息，最后得到一个4分类的3d画场景空间分类器dclf；

s3：构建3d画设计方案推荐图库的信息指纹；

s31，收集大量的3d画设计方案图像，作为待推荐的结果数据集；

s32，对收集的每张3d画图像构建信息指纹fps；

s33，然后使用哈希感知算法求步骤s32中各图像的哈希感知指纹；

s4：基于现实场景的3d画设计方案输出；

s41，用户拍摄一张现实场景图片ps，作为匹配服务请求；

s42，将步骤s41中的图片传给分类器dclf识别，得到对用户场景的智能识别结果scene；

s43，对用户场景图片ps采用步骤s3方法计算出其对应的信息指纹fp；

s44，在3d画设计方案推荐图库中寻找属于场景类别为scene的样本子集css；

s45，将样本子集css中的每一张图片的信息指纹cp与用户场景图片ps的信息指纹fp求汉明距离，样本子集css中汉明距离最小的3d画设计方案图片为推荐结果ds。

进一步，所述places205数据集是mit计算机科学和人工智能实验室收集的超过二百五十万张场景图片，总共有205个场景类别。

进一步，所述3d画场景数据集ss包括不同色彩、墙面、地面、墙地面和凹墙角面的3d画。

进一步，所述信息指纹fps构建过程为对图片中心区域a各通道像素值置零。

相较于现有技术，本发明具有以下有益效果：本发明基于深度学习和迁移学习，实现3d画的智能设计，该方法在用户需要的任何环境空间中，避免因画家个人灵感以及作画经验等问题造成设计周期长且设计困难的问题；并且该方法一方面节省了训练的时间，进而缩短3d画设计的周期，另一方面大大拓展了深度学习的应用领域。

以下结合附图及实施例对本发明作进一步详细说明；但本发明的一种基于深度学习和迁移学习的3d画智能推荐方法不局限于实施例。

附图说明

图1是本发明的迁移学习过程框图；

图2是本发明的推荐过程框图。

具体实施方式

实施例，请参见图1、图2所示，本发明的一种基于深度学习和迁移学习的3d画智能推荐方法，包括以下步骤：

s1：构建基于公共图像数据集的图像分类器，命名为rclf；其中，公共图像数据集，命名为bs是mit计算科学places205公开数据集，选择卷积模型inception-resnet在places205公开数据集上训练后，得到一个识别places205公开数据集中各个场景的图像分类器rclf；该识别器rclf可对places205公开数据集中的205个场景根据色彩、构造、环境等因素进行分类处理；

s2：基于步骤s1中得到的图像分类器rclf的3d画场景空间迁移学习；

s21，保持图像分类器rclf除softmax层以外其他层的参数不变，将softmax层的参数学习率调大2倍，将全连接层其他参数的学习率调小一半，该全连接层为连接最后一层即softmax层与倒数第二层之间的连接中介；

s22，将用户自己收集的3d画场景数据集ss训练全连接层，以捕获3d画场景空间信息，最后得到一个4分类的3d画场景空间分类器，命名为dclf；该空间分类器dclf将步骤s1中图像分类器rclf分类的205个场景进一步分成4类；

s3：构建3d画设计方案推荐图库的信息指纹；

s31，收集大量的3d画设计方案图像，作为待推荐的结果数据集；

s32，对收集的每张3d画图像构建信息指纹库，命名为fps；

s33，然后使用哈希感知算法求步骤s32中各图像的哈希感知指纹；

s4：基于现实场景的3d画设计方案输出；

s41，用户拍摄一张现实场景图片，记为ps，作为匹配服务请求；

s42，将步骤s41中的图片ps传给空间分类器dclf识别，得到对用户场景的智能识别结果，该结果用scene表示，所述scene包括用户场景的色彩、组成等特征；

s43，对用户场景图片ps采用步骤s3方法计算出其对应的信息指纹，记为fp；

s44，在3d画设计方案推荐图库中寻找属于场景类别与scene中特征类别最接近的图片作为样本子集，该样本子集记为css；

s45，将样本子集css中的每一张图片的信息指纹，记为cp与用户场景图片ps的信息指纹fp求汉明距离，样本子集css中汉明距离最小的3d画设计方案图片为推荐结果，记为ds。

本实施例中，所述places205数据集是mit计算机科学和人工智能实验室收集的超过二百五十万张场景图片，总共有205个场景类别；所述3d画场景数据集ss包括不同色彩、墙面、地面、墙地面和凹墙角面的3d画；所述信息指纹库fps构建过程为对图片中心区域a各通道像素值置零，且图片中心区域a为原图长宽的50％。

上述实施例仅用来进一步说明本发明的一种基于深度学习和迁移学习的3d画智能推荐方法，但本发明并不局限于实施例，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均落入本发明技术方案的保护范围内。