基于BIM模型的商品推荐方法、装置、电子设备及介质与流程

计算;推算;计数设备的制造及其应用技术基于bim模型的商品推荐方法、装置、电子设备及介质技术领域1.本技术涉及bim模型领域，具体而言，涉及一种基于bim模型的商品推荐方法、装置、电子设备及介质。背景技术：2.bim模型作为一种可视化的三维模型，规避了原有建筑领域二维设计图纸的缺点，实现了用户与设计者之间具有互动性和反馈性的室内设计可视化。但是如今搜索特定商品的主流方法包含文字描述和输入相似商品图像两种方式，还未有输入三维模型进行商品推荐的方法。技术实现要素：3.有鉴于此，本技术的目的在于提供一种基于bim模型的商品推荐方法、装置、电子设备及介质，能够基于输入的三维模型进行准确的商品推荐，增加了搜索商品的方式，也便于bim模型的用户快速找到合适的商品。4.本技术实施例提供的一种基于bim模型的商品推荐方法，所述商品推荐方法包括以下步骤：5.获取表征bim模型特性信息的最优特征视角图像；其中，所述最优特征视角图像被表示在bim图像域中；6.为所述被表示在bim图像域中的最优特征视角图像添加纹理特征，生成被表示在商品图像域中的目标图像；7.根据所述目标图像和多种商品的商品图像的第一相似度，确定预设数目个第一相似度排序在先的商品作为商品推荐结果。8.在一些实施例中，所述基于bim模型的商品推荐方法中，根据所述目标图像和多种商品的商品图像的第一相似度，确定预设数目个第一相似度排序在先的商品作为商品推荐结果，包括：9.从所述目标图像中提取出bim模型特征，并分别计算预先建立的、储存有多种商品的商品图像特征的商品特征库中，每种商品的商品图像特征与所述bim模型特征的第一相似度；10.根据每种商品的商品图像特征与所述bim模型特征的第一相似度的计算结果，确定预设数目个第一相似度排序在先的商品作为商品推荐结果。11.在一些实施例中，所述基于bim模型的商品推荐方法中，所述获取表征bim模型特性信息的最优特征视角图像，包括：12.获取bim模型，并在多个视角点位下截取bim模型的多个视角图像；其中，不同视角点位的视角方位不同，不同视角点位与bim模型中心的视角距离相同；13.分别计算每个视角图像与目标应用领域中多种预设类别的商品图像的第二相似度；其中，所述目标应用领域为所述bim模型所属的应用领域；14.根据所述每个视角图像的最大第二相似度，和该视角图像的多个第二相似度的数据离散程度，确定出最优特征视角图像。15.在一些实施例中，所述基于bim模型的商品推荐方法中，所述bim模型特征和商品图像特征是通过相同的图像特征提取模型提取的，以使bim模型特征和商品图像特征为相同格式的特征向量。16.在一些实施例中，所述基于bim模型的商品推荐方法中，为所述被表示在bim图像域中的最优特征视角图像添加纹理特征，生成被表示在商品图像域中的目标图像；包括：17.将所述被表示在bim图像域中的最优特征视角图像输入至目标图像迁移模型，以生成被表示在商品图像域中的目标图像；其中，所述目标图像迁移模型是通过目标应用领域中bim图像域的样本集和商品图像域的样本集训练得到的，所述bim图像域的样本集包括多张bim样本图像，所述商品图像域的样本集包括多张商品样本图像，所述目标应用领域为所述bim模型所属的应用领域。18.在一些实施例中，所述基于bim模型的商品推荐方法中，所述目标图像迁移模型包括第一生成器、第二生成器、第一鉴别器、第二鉴别器；19.当所述目标图像迁移模型接收到bim样本图像时，所述第一生成器用于将所述bim样本图像迁移至被表示在商品图像域中的商品风格bim图像，所述第二生成器用于将所述商品风格bim图像重构为被表示在bim图像域中的bim重构图像，其中，所述bim重构图像和bim样本图像满足第二生成器中预设的正向循环一致性函数；20.所述第一鉴别器用于鉴别所述被表示在商品图像域中的商品风格bim图像是否真实；21.当所述目标图像迁移模型接收到商品样本图像时，所述第二生成器用于将所述商品样本图像迁移至被表示在bim图像域中的bim风格商品图像，所述第一生成器用于将所述bim风格商品图像重构为被表示在商品图像域中的商品重构图像，其中，所述商品重构图像和商品样本图像满足第一生成器中预设的反向循环一致性函数；22.所述第二鉴别器用于鉴别所述被表示在bim图像域中的bim风格商品图像是否真实。23.在一些实施例中，所述基于bim模型的商品推荐方法中，所述目标图像迁移模型，是通过以下训练方法得到的：24.获取多个图像迁移模型；不同的图像迁移模型被配置为不同训练阶段的模型参数；25.每个图像迁移模型分别为多个样本bim模型的样本最优特征视角图添加纹理特征，生成被表示在商品图像域中的多个样本目标图像；26.检测每个样本目标图像中的物体类别和物体位置，计算每个图像迁移模型生成的多个样本目标图像的平均精度，并将所述平均精度作为该图像迁移模型的评估指标；27.确定最优评估指标对应的图像迁移模型作为目标图像迁移模型。28.在一些实施例中，还提供一种基于bim模型的商品推荐装置，所述商品推荐装置包括：29.获取模块，用于获取表征bim模型特性信息的最优特征视角图像；其中，所述最优特征视角图像被表示在bim图像域中；30.生成模块，用于为所述被表示在bim图像域中的最优特征视角图像添加纹理特征，生成被表示在商品图像域中的目标图像；31.确定模块，用于根据所述目标图像和多种商品的商品图像的第一相似度，确定预设数目个第一相似度排序在先的商品作为商品推荐结果。32.在一些实施例中，还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行所述的基于bim模型的商品推荐方法的步骤。33.在一些实施例中，还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行所述的基于bim模型的商品推荐方法的步骤。34.本技术提供的基于bim模型的商品推荐方法、装置、电子设备及介质，通过从所有的视角图像中，选择出最具代表性的最优视角特征图像，实现bim模型降维，从而能够提高推荐商品的准确率；进一步的，要为所述被表示在bim图像域中的最优特征视角图像添加纹理特征，生成被表示在商品图像域中的目标图像，并通过所述目标图像去检索商品，从而改进商品推荐时图像检索模型对于不同视觉域理解差异造成的影响，进一步提高推荐商品的准确率。附图说明35.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。36.图1示出了本技术实施例所述一种基于bim模型的商品推荐方法；37.图2示出了本技术实施例所述一种提取最优特征视角图像的方法；38.图3示出了本技术实施例所述实验一中模型椅子32张视角图像分数曲线图；39.图4示出了本技术实施例所述实验一5类模型查准率和平均精度均值曲线；40.图5示出了本技术实施例中一种目标图像迁移模型的训练方法的方法流程图；41.图6示出了本技术实施例中目标图像迁移模型训练过程中的第一生成器的损失曲线图；42.图7示出了本技术实施例中目标图像迁移模型训练过程中的第一鉴别器的损失曲线图；43.图8示出了本技术实施例中检测器的ap指标与各阶段生成的目标图像的商品推荐准确率的对比结果示意图；44.图9示出了本技术实施例中所述一种基于bim模型的商品推荐装置的结构示意图；45.图10示出了本技术实施例中所述一种电子设备结构示意图。具体实施方式46.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解，本技术中附图仅起到说明和描述的目的，并不用于限定本技术的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本技术中使用的流程图示出了根据本技术的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。47.另外，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。48.需要说明的是，本技术实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。49.bim模型作为一种可视化的三维模型，规避了原有建筑领域二维设计图纸的缺点，实现了用户与设计者之间具有互动性和反馈性的室内设计可视化。但是如今搜索特定商品的主流方法包含文字描述和输入相似商品图像两种方式，还未有输入三维模型进行商品推荐的方法。因此为了实现在bim环境下模型的商品推荐并使方法具有普适性，本技术提供一种基于bim模型的商品推荐方法，首先将三维模型降维成二维的最优特征视角图像，然后为所述被表示在bim图像域中的最优特征视角图像添加纹理特征，以将最优特征视角图像迁移至商品图像域，最后通过迁移得到的目标图像，实现商品的推荐。50.请参照图1，图1示出了本技术实施例所述一种基于bim模型的商品推荐方法，具体的，所述基于bim模型的商品推荐方法，包括以下步骤s101-s103：51.s101、获取表征bim模型特性信息的最优特征视角图像；其中，所述最优特征视角图像被表示在bim图像域中；52.s102、为所述被表示在bim图像域中的最优特征视角图像添加纹理特征，生成被表示在商品图像域中的目标图像；53.s103、根据所述目标图像和多种商品的商品图像的第一相似度，确定预设数目个第一相似度排序在先的商品作为商品推荐结果。54.在所述步骤s101中，所述最优特征视角图像为针对所述bim模型截取的多张视角图像中，携带最多bim模型特性信息的视角图像，也就是bim模型所有的视角图像中，最具代表性的视角图像。55.这里，通过从所有的视角图像中，选择出最具代表性的最优视角特征图像，实现bim模型降维，从而能够提高推荐商品的准确率；进一步的，要为所述被表示在bim图像域中的最优特征视角图像添加纹理特征，生成被表示在商品图像域中的目标图像，并通过所述目标图像去检索商品，从而改进商品推荐时图像检索模型对于不同视觉域理解差异造成的影响，进一步提高推荐商品的准确率。56.也就是说，根据获取的bim模型，从所述bim模型的多张视角图像中，选取出携带最多bim模型特性信息的视角图像作为最优特征视角图像。所述最优特征视角图像，即为bim模型的多张视角图像中，最具代表性的视角图像。所述最优特征视角图像尽可能多的保留原始bim模型的特征信息且保留该类bim模型独有的类别特征。57.本技术实施例中，bim模型具有复杂的几何形状，对三维模型进行操作会使计算量极大增加。所以，在基于所述bim模型检索商品时，为了能够与现有的商品图像进行对比，以实现检索，需要把三维立体的bim模型降维到二维的图像。然而，bim模型作为具有三维几何形状的立体模型，可以多角度随意旋转并可以从多个角度获得无数视角图。因此，需要从多个视角图像中挑选出最优特征视角图像。58.这里，请参照图2，图2示出了本技术实施例所述一种提取最优特征视角图像的方法；具体的，所述获取表征bim模型特性信息的最优特征视角图像，包括以下步骤s201-s203：59.s201、获取bim模型，并在多个视角点位下截取bim模型的多个视角图像；其中，不同视角点位的视角方位不同，不同视角点位与bim模型中心的视角距离相同；60.s202、分别计算每个视角图像与目标应用领域中多种预设类别的商品图像的第二相似度；其中，所述目标应用领域为所述bim模型所属的应用领域；61.s203、根据所述每个视角图像的最大第二相似度，和该视角图像的多个第二相似度的数据离散程度，确定出最优特征视角图像。62.具体的，针对所述步骤s201，在多个视角点位下截取bim模型的多个视角图像时，从不同视角获得的视角图像总会丢失一定的bim模型原有特征信息，所以应尽量多的获得模型视角图的同时稳定计算量，因此如何尽量保留模型原有特征信息的同时又不增加过多的计算量是模型降维方法的关键。63.bim中的模型种类丰富且大多拥有不规则的几何形状，其次假如对模型沿一条平行线旋转截图则模型其它面的特征会有损失。为了方便选取具有普适性的视角，可以先得到三维构件的最小包围球(minimumenclosingball，meb)，从球面进行获取图片可以得到模型不同面的特征。64.这里，所述最小包围球是指寻找一个半径最小的球体将几何体包围，即寻找能够包容三维空间中bim模型点集的最小球。bim模型m的最小包围球meb定义如以下公式(1)：65.meb(m)＝{q∈r3：||q-o*||≤r*}(1)66.其中，o*为meb的球心，r*为meb的半径，||·||为两点间的距离，q为bim模型中任意一点。随后通过随机点组-重算最远点算法r-rcf到最小包围球，假设bim模型m由点集p＝{p1，p2，…ph，…，pn}组成，获得meb详细步骤如下：67.步骤1：首先将模型的多个点重组为随机顺序；68.步骤2：由空间几何可知，空间中的四个点可确定一个球体。因此，得到由p1，p2，p3，p4确定的一个最小包围球。其中包含三种情况：情况1.四个点在包围球的球面上；情况2.三个点在包围球的球面上，一个点在包围球内部；情况3.两个点在包围球的球面上，且该两点是球直径的两个端点。随后让h＝5；69.步骤3：针对ph，令step代表下一步将要执行的步骤，则有：70.71.步骤4：在p1，p2，p3，p4任意取三个点与ph组成新的最小包围球，该包围球包含p1，p2，p3，p4，pi，且半径r是满足条件中最小的；设置三个点与ph组成新的p1，p2，p3，p4作为最新包围球的四个球面点，令h＝h+1，然后有：[0072][0073]步骤5：从集合p中取得离此时最小包围球球心o最远的一个点pj，若pj在球体内部或球面上，那么此时的最小包围球就是模型m的最小包围球。若pj在球体外部，转到步骤6；[0074]步骤6：在p1，p2，p3，p4任意取三个点与pj组成新的最小包围球，该包围球包含p1，p2，p3，p4，pj，且半径r是满足条件中最小的；设置三个点与pj组成新的p1，p2，p3，p4作为最新包围球的四个球面点,转到步骤5。[0075]这里，所述bim模型的三维空间最小包围球具有以下性质：[0076]性质1：在bim空间中，任意bim模型m的meb是唯一的。[0077]证明：假设存在两个meb，分别为b1和b2；b1和b2的半径都为r，且分别以c1和c2为球心。如果集合且那么那么b1∩b2应包含在圆心为的球b中，球b半径为a是c1和c2距离的一半。因此a应等于0，否则球b的半径将会比b1和b2更小，这与b1和b2是meb的事实冲突，因此b1和b2重合，故在bim空间中，bim模型m的meb是唯一的。[0078]性质2：除非bim模型m为一个点，否则bim模型m的meb可以由2～4个球面点确定。[0079]证明：下面分别对三种情况进行证明：[0080](1)若球面点有2个，则bim模型m的meb半径为两个球面点距离的一半，两点之间的中点为o*。[0081](2)若球面点有3个，首先对这三个点求得最小覆盖圆，半径为r，圆心为o。若集合p中的点与圆心o的距离都小于半径r，那么bim模型m的meb就为半径为r，圆心为o的球体。[0082](3)若球面点有4个，则meb为这四个球面点构造的几何体的外接球，且该bim模型m的meb是唯一的。[0083]在确定出bim模型的最小包围球(meb)后，需要确定有限个视角点位。这里，所述视角点位，又称之为视角提取点位。bim模型m的meb上有大量可选取的角度作为视角点位，但是如果在每个点位都取得bim模型的视角图，将极大提升后期工作量。为了解决可选择的视角点位过多的问题，将球面用平面图形拆分为多个块，而为了减少计算量和提高效率应将平面图形限制在一定数量同时平面图形组成的球尽可能为完美的球体。根据欧拉定理的定义(以下公式(2))：[0084]v+f-e＝2(2)[0085]其中，v是顶点数，f是面数，e是棱数。任意多边形组成的几何体，其面和顶点的总数减去边的数量等于2。而12个五边形和20个六边形可以组成一个最简单的近球体，这样通过球体上32个多边形的中心为视角图点位，不仅能考虑到bim模型的全角度特征，而且能固定为有限的点位避免计算量过大。[0086]因此，本技术实施例中确定出32个视角点位，每个视角点位为球体上多边形的中心。在32个中心点上各设置一台虚拟相机，所有虚拟相机都指向包围球中心点o*。这里，所述包围球中心点o*，也即bim模型中心。也就是说，不同视角点位的视角方位不同，所述视角方位为视角点位和bim模型中心所确定的方位。视角方位又称之为视角或角度，以下出现的视角或角度，均为视角方位的意思。[0087]对于bim模型来说，32个虚拟相机将得到模型的32张不同角度的视角图像，这32张视角图像包含了bim模型绝大部分的特征信息，定义32个视角图像的视角点位为c＝{c1，c2，...，c32}。然而若是不控制视角点位和bim模型之间的距离，即使相同角度也会因为bim模型在图像中占据比例差异过大而影响检索效果。所以确定32个视角点位后，要设置视角点位与模型meb球心的距离为固定值，也就是不同视角点位与bim模型中心的视角距离相同。已知模型meb的半径为r*，因此设定固定的视角距离为d，d为meb半径r*的λ倍，即d-λ*r*。随后从视角点位c＝{c1，c2，...，c32}和视角距离d获取bim模型的不同特征视角图像i＝{i1，i2，...，i32}。[0088]在得到bim模型的32张视角图像后，要从中评估出最优特征视角图像。不同视角下得到的视角图像具有bim模型不同角度的特征，有些角度甚至识别不出模型的类别。[0089]卷积神经网络能够提取、识别图像的物体语义信息，利用卷积神经网络的特点可以对图像中的物体分类从而帮助bim模型选取最具代表性的视角图。本技术实施例通过卷积神经网络，分别计算每个视角图像与目标应用领域中多种预设类别的商品图像的第二相似度。[0090]本方法使用经过imagenet数据集预训练的卷积神经网络vgg16，imagenet数据集在当前的机器学习领域中的图像领域应用广泛，大量关于图像分类、图像定位、图像检测的工作都通过imagenet数据集的训练获得了更佳的结果。imagenet数据集包含了上千万张不同的图像，其中图像中的物体类别可以达到两万个，其中多于百万张图像具有相关的类别标注。vgg16经过大量的图像学习，通过卷积层、池化层、全连接层的处理后有效地解决了语义鸿沟的问题，同时它可以提取模型图像的高级特征信息，方便识别更复杂图像的类别。因此，vgg16具备良好的特征提取能力，可以有效地识别物体图像类别且适用于处理复杂的三维模型多角度的问题。[0091]本技术实施例中，预训练的vgg16网络可以识别出原始训练样本中包含的1000种物体，当输入一个图像时vgg16会输出对应1000个不同类别的置信度，由置信度来确定不同视角图的特征是否清晰。这里，所述的原始训练样本为bim模型所属的应用领域的训练样本。例如，当所述bim模型为建筑设计模型时，所述训练样本为建筑设计领域，训练样本中的物体图像类别包括桌子、椅子、床等等。[0092]分别计算每个视角图像与目标应用领域中多种预设类别的商品图像的第二相似度，这里，分别通过vgg16识别每个视角图像的类别和置信度。[0093]最优特征视角图像应使得vgg16能够正确识别类别且置信度较高，下面将评估bim最优特征视角图分成两个步骤分别说明。[0094]步骤一：将先前得到的32个不同视角点位的模型的视角图像i＝{i1,i2,…,i32}依次作为vgg16的输入图片，vgg16经过卷积、池化、全连接的操作由高到低的输出图像对应1000个类别的置信度，设置信度为r，r∈(0,1)。任意视角点位c截取的图片都会得到一个由类别置信度组成的一个集合vc，所述集合vc如以下公式(3)[0095]vc＝{r|0＜r＜1},card(vc)＝1000(3)[0096]32个不同视角点位的视角图像依次经过卷积神经网络的识别并给予置信度后，每个视角图像会获得由1000个类别置信度组成的集合vc。因此，32个不同视角图对应的1000个类别的置信度将形成32个包含1000数值的集合。[0097]步骤二：得到视角图的置信度集合后需要从中评估出哪个集合对应的视角图是最优特征视角图像，因此需要一个标准量化方式对32个不同集合计算出评估分数。首先分析理想情况，假设一个椅子模型视角图像的理想情况为：被卷积神经网络分类为椅子的置信度接近为1，而其他999个类别的置信度接近为0。更进一步的，除椅子类别的置信度以外其他类别置信度应在0值附近，也代表其他类别的置信度应具有较低的离散值。因此一方面要考虑置信度之间的差距，也要考虑置信度之间的离散程度，确定出最优视角特征图像。也就是根据所述每个视角图像的最大第二相似度，和该视角图像的多个第二相似度的数据离散程度，确定出最优特征视角图像。[0098]综上所述，提出如下评估函数f(c)如以下公式(4)：[0099][0100]其中c代表视角点位，vc代表在视角点位c下获得的视角图像的置信度集合。max1表示在vc集合中最大的类别置信度。σ2表示vc集合中的数据离散程度。通过f(c)函数可以得到一个模型的32张视角图像的评估分数，其中评估分数最大值所对应的视角图则为最优特征视角图像，由如下公式(5)所示：[0101][0102]其中c*代表最优特征视角图像的视角点位。[0103]这里，将该获得的最优特征视角图像用bimbf表示。[0104]获取bim模型的最具代表性的最优特征视角图像后，即通过训练好的商品推荐模型，计算最优特征视角图像和多种商品图像的第一相似度，并确定预设数目个第一相似度排序在先的商品作为商品推荐结果。[0105]本技术实施例中，通过最优特征视角图像和多种商品图像的第一相似度，确定预设数目个第一相似度排序在先的商品作为商品推荐结果，具体的，从所述最优特征视角图像中提取出bim模型特征，并分别计算预先建立的、储存有多种商品的商品图像特征的商品特征库中，每种商品的商品图像特征与所述bim模型特征的第一相似度；根据每种商品的商品图像特征与所述bim模型特征的第一相似度的计算结果，确定预设数目个第一相似度排序在先的商品作为商品推荐结果。[0106]这里，所述储存有多种商品的商品图像特征的商品特征库，是通过以下方式建立的。随着深度学习的发展，已经证明其对图片特征的学习是有效且准确的。而vgg16在深度学习中的图像领域有着广泛的应用，因此对vgg16的网络结构进行修改，去除网络中的分类功能，保留其提取的最后一层特征实现只提取特征不分类的功能，得到图像特征提取模型。商品图像集中的多种商品的商品图像通过所述图像特征提取模型，提取出商品特征，产生了大量的数据，为了后续的特征对比，需要将这些数据存储在文件中组成特征数据库，也就是商品特征库。[0107]这里，所述商品特征库采用h5文件。h5文件(hierarchical data format，hdf5)是层次数据格式第5代的版本，其在存储大体量数据上有着独特的优势。同时，很多编程软件也支持h5文件格式，方便在各个研究领域使用，因此本技术实施例使用h5文件保存大规模的商品图像特征；其中，所述商品图像特征为数据特征。[0108]h5将数据结构大体分为两类：数据集和组，数据集可以存放不同维度的数组，组既可以存放不同维度的数组也可以存放组。[0109]商品图像集中的商品图像，通过图像特征提取模型提取商品图像特征，和h5文件保存商品图像特征后，图像数据集中的高级语义特征已经被全部保存在商品特征库中。在随后的使用中，只需要通过图像特征提取模型提取最优特征视角图像的图像特征作为bim模型特征，并将提取出的bim模型特征与商品特征库中预先存储的商品图像特征一一进行对比，得到第一相似度，最后按照第一相似度的排序，将商品图像特征对应的商品推荐给用户即可。[0110]本技术实施例中，所述bim模型特征和商品图像特征是通过相同的图像特征提取模型提取的，以使bim模型特征和商品图像特征为相同格式的特征向量。[0111]假设现有两个向量x、y，x＝(x1，x2，x3，…，xn)，y＝(y1，y2，y3，…，yn)，常用的相似度对比方法包括欧几里得距离、曼哈顿距离、余弦相似度、杰卡德系数、皮尔森相关系数等。其中，余弦相似度计算空间中两个向量的内积来完成特征向量之间的比较，且余弦相似度在类似图像的高维度特征空间中也可以很好的比较，因此在本技术实施例中计算图像之间的特征相似度时使用余弦相似度。[0112]以下通过实验一，证明通过bim模型进行商品检索，本技术实施例所述最优特征视角图像提取方法，能够提高在bim环境下的商品推荐准确度。[0113]具体的，实验一中，使用bim室内模型，首先通过本技术实施例所述的最优特征视角图像的评估方法，得到模型的最优特征视角图像。随后，通过商品推荐模型验证所述评估方法能够得到模型最具代表性的视角图像，并与所有视角点位产生的视角图像的商品推荐准确度进行比较，从而验证所述评估方法能够提高在bim环境下的商品推荐准确度。[0114]评价指标可以对提出的方法根据其结果评估该方法的性能。在申请实施例中，所述评价指标为：查准率和平均精度均值，为了更好地说明检索性能评价标准，对检索结果定义如表一所示。[0115]表一[0116]标签预测结果pptrue posetive(tp)pnfalse negative(fn)npfalse positive(fp)nntrue negative(tn)[0117]标签列中p代表正标签，n代表负标签。预测列中p代表模型预测正确，n代表模型预测错误。查准率precision定义为模型判断是正标签且正确判断的数量占所有判断是正标签样本的占比，所以有以下公式(6)：[0118][0119]从式中可以看出查准率是衡量商品检索模型拒绝非相关信息的能力，因此在同一个检索模型下查准率越高，证明图像的视觉特征越好。但是查准率只考虑了是否能正确检索到正例而忽略了正例结果所处的位置信息，而map考虑了正例的位置信息。计算map首先需要往模型中输入多个查询图片得到不同类别的返回结果，随后求出所有查询的平均精度ap(average precision)，并对所有平均精度ap求均值得出平均精度均值map。平均精度评估的是提出方法在单个标签上的性能，而平均精度均值评估的是提出方法在多标签上的性能。[0120]所述实验一种的数据集包括bim模型数据集和商品数据集。在bim领域中，目前关于商品推荐的研究还较少，同时在研究与实验过程中发现关于bim模型的公开数据集也较少。因此，所述实验一的bim模型数据集从各个bim室内模型中提取构件并保存为.obj格式，数量达到200+。而对于商品数据集来说，基于电子商务的成熟和不断扩大的规模，大量的商品信息在网上随处可见。因此，本技术实施例的商品数据集通过python爬虫技术从网上爬取各类商品图片大约1万张。[0121]在实验一中，选取5类bim模型，分别是床、椅子、马桶、衣柜、书柜。其中每类又选取20个不同样式的模型，首先通过模型降维方法对每类20个模型得到640张多视角点位的视角图像，共计100个模型3200张视角图片，数据如表二所示。[0122]表二[0123]模型种类模型数量图片数量床20640椅子20640马桶20640衣柜20640书柜20640[0124]随后，通过本技术实施例所述最优特征视角图像的评估方法，得到每个模型的最优特征视角图像。然后，将32张视角图像分别作为商品推荐模型的输入，得到每张视角图像对应的商品推荐结果，并计算32张视角图像的平均查准率和平均精度均值。最后，与最优特征视角图像的商品推荐查准率和平均精度均值作比较，验证步骤s201-s203所述最优特征视角图像提取方法对于提升bim模型商品推荐的有效性。[0125]示例性的，本技术实施例中给出了椅子bim模型最优特征视角图像提取方法的具体实例。经过最优特征视角图像的评估方法，32张视角图像分数结果如图3所示。[0126]随后，将32张视觉图像依次作为商品推荐模型的输入，使商品推荐模型推荐出与输入图片最相似的前5张商品图像，得到对5类bim模型图像推荐商品测试结果，所述测试结果如表3所示。[0127]表3[0128]实验p(％)p*(％)map(％)map*(％)床3.84％32％2.55％22.82％椅子6.54％12％5.86％8.33％马桶18.43％40％11.85％32.98％衣柜7.81％16％4.01％8.31％书架0.47％12％0.22％5.00％[0129]其中，p与p*分别代表20个模型分别用32张不同视角图像得到的平均查准率和20个模型的最优特征视角图像得到的平均查准率，map与map*分别代表模型20个模型分别用32张不同视角图像得到的平均精度均值和20个模型最优特征视角图像得到的平均精度均值。其中，模型床的p为3.84％，map为2.55％，p*为32％，map*为22.82％，使用最优特征视角图像后准确率提高了28.16％，平均精度均值提高了20.27％；模型椅子的p为6.54％，map为5.86％，p*为12％，map*为8.33％，使用最优特征视角图像后准确率提高了5.46％，平均精度均值提高了2.47％；模型马桶的p为18.43％，map为11.85％，p*为40％，map*为32.98％，使用最优特征视角图像后准确率提高了21.57％，平均精度均值提高了21.13％；模型衣柜的p为7.81％，map为4.01％，p*为16％，map*为8.31％，使用最优特征视角图像后准确率提高了8.19％，平均精度均值提高了4.3％；模型书柜的p为0.47％，map为0.22％，p*为12％，map*为5.00％，使用最优特征视角图像后准确率提高了11.53％，平均精度均值提高了4.78％。[0130]从上述实验结果分析，床和马桶两类经过最优特征视角图像后与多角度相比提高较多，分析原因为床和马桶的结构、细节相对简单，相对不容易被其他商品影响。而椅子、衣柜、书柜三类细节轮廓多样，通过最优特征视角图像后提高了一定的推荐准确度。上述实验结果证明了对三维bim模型进行降维后，使用提出的评估最优特征视角方法对于提高bim模型进行商品推荐的结果是有效的，5类模型查准率和平均精度均值曲线如图4所示。[0131]这里，在步骤s101中，通过本技术实施例所述的最优特征视角图像提取方法，确定出表征最多模型特征信息的最有视角特征图像，提升在商品推荐时的准确性。[0132]虽然bim模型的最优特征视角图像作为输入图像与商品图像进行检索，已经比任意视角下的截图作为输入图像的检索结果有了较大的提升。但是，从结果来看发现了另一个问题，即由于bim模型的纹理缺失，使得其图像的视觉域与商品图像的视觉域并不相同，也导致了商品推荐效果还不能让人满意。[0133]为了准确检索跨域图像，可以通过特征空间迁移的方法实现了两个不同视觉域的相互检索。这种方法可以应用于已经标注过的大型数据集进行训练，但是对于没有标注过的bim小型数据集来说不能很好的应用。因此，基于bim图像与商品图像本身的视觉差异且bim图像数据未标注的情况，两者之间的图像检索仍然是一项艰巨的任务，且据研究调查还未有相关工作完成bim图像和商品之间的跨域检索。[0134]为了解决这一问题，提出了一种基于图像域迁移的bim图像跨域生成方法，该方法应用于bim图像与商品图像之间的跨域检索，达到了提高在bim环境下商品推荐准确度的目的。[0135]基于此，本技术实施例中，为所述被表示在bim图像域中的最优特征视角图像添加纹理特征，生成被表示在商品图像域中的目标图像；包括：[0136]将所述被表示在bim图像域中的最优特征视角图像输入至目标图像迁移模型，以生成被表示在商品图像域中的目标图像；其中，所述目标图像迁移模型是通过目标应用领域中bim图像域的样本集和商品图像域的样本集训练得到的，所述bim图像域的样本集包括多张bim样本图像，所述商品图像域的样本集包括多张商品样本图像，所述目标应用领域为所述bim模型所属的应用领域。[0137]其中，所述目标图像迁移模型为循环生成对抗网络。所述目标图像迁移模型包括第一生成器、第二生成器、第一鉴别器、第二鉴别器；[0138]当所述目标图像迁移模型接收到bim样本图像时，所述第一生成器用于将所述bim样本图像迁移至被表示在商品图像域中的商品风格bim图像，所述第二生成器用于将所述商品风格bim图像重构为被表示在bim图像域中的bim重构图像，其中，所述bim重构图像和bim样本图像满足第二生成器中预设的正向循环一致性函数；[0139]所述第一鉴别器用于鉴别所述被表示在商品图像域中的商品风格bim图像是否真实；[0140]当所述目标图像迁移模型接收到商品样本图像时，所述第二生成器用于将所述商品样本图像迁移至被表示在bim图像域中的bim风格商品图像，所述第一生成器用于将所述bim风格商品图像重构为被表示在商品图像域中的商品重构图像，其中，所述商品重构图像和商品样本图像满足第一生成器中预设的反向循环一致性函数；[0141]所述第二鉴别器用于鉴别所述被表示在bim图像域中的bim风格商品图像是否真实。[0142]跨域图像检索的关键挑战是视觉域间隙问题。即不同视觉域图像在不同的环境下产生，因此他们的图像特征存在于不同的空间中，测量他们之间的相似度非常具有挑战性。来自不同成像载体、光谱、机理以及不同光照条件，图像的颜色、纹理、亮度、梯度、灰度特征都存在很大的区别。即图像高层的语义是相关的，但是底层的特征是不同的，对于这类问题称为语义鸿沟问题。所以跨域图像检索的难点就可以总结为如何将两个不同视觉域的图像放在同一空间中以进行相似度比较匹配图像。[0143]在本技术实施例中，将基于循环生成对抗网络实现bim图像到商品图像的映射，以减少两者视觉域之间的间隙，循环生成对抗网络的第一生成器gxy接收bim样本图像x作为输入，并生成类似于商品图像y的商品风格bim图像gxy(x)作为输出。第二生成器gyx接收商品风格bim图像gxy(x)作为输入，生成与x相似的图像gyx(gxy(x))，即bim原始图像。[0144]类似的，循环生成对抗网络的第二生成器gyx接收商品样本图像y作为输入，并生成类似于bim图像x的bim风格商品图像gyx(x)作为输出。第一生成器gxy接收bim风格商品图像gyx(x)作为输入，生成与y相似的图像gxy(gyx(y))，即商品原始图像。[0145]关于循环一致性损失，x与gyx(gxy(x))之间的差异和y与gxy(gyx(y))之间的差异使用l1范数计算。第二鉴别器dy判断输入照片y和假照片gxy(x)是否真实；同样的，第一鉴别器dx确定x和gyx(gxy(x))的真实性。使用对抗性损失lgan(gxy，dy，x，y)训练第二鉴别器dy以区分真假照片，然后训练gxy创建欺骗dy的图像，即与真实照片相似的图像。最终获得了第一生成器gxy和第二生成器gyx，它们能够在商品图像和bim图像之间进行视觉域转换，同时保持图像的主体结构，以便将生成的图像恢复为原始图像，为了方便后续实验二，将该目标图像生成方法命名为bim-s。[0146]具体的，bim-s中的生成器类似于自编码器，学习源域图像输入分布的潜在表示，随后将之改为目标域的分布。但是由于要在编码器和解码器间共享样本的低级特征，所以传统的自编码器并不适用于此任务。因此该网络使用u-net结构，其中的编码器通过卷积层提取图像特征，转换器应用了resnet模块，实现了在转换图像后还能尽量保存以往图像的内容。解码器则通过将特征向量重新转换为颜色、纹理特征，以产生新的图像。[0147]鉴别器与编码器类似，通过卷积层提取图像特征，随后再添加一个让多维特征变为一维特征的卷积层，对一维特征进行判断确定图像属于真实图像还是虚假图像。[0148]综上所述，bim-s赋予缺乏纹理细节的bim图像丰富的低级特征，这可以从图像上减少bim图像域和商品图像域之间的差异。除此之外，该种方法不需要一对一映射的训练样本，这种优势对于在bim环境下的商品推荐尤为重要。本技术实施例中，最终模型会经历200000次迭代完成训练，完成后会获得训练好的模型权重用来将bim图像生成为被表示在商品视觉域的图像。新生成图像将作为待检索图像输入到商品推荐模型中，随后与特征数据库中的特征作对比，达到为用户推荐相应商品的目的。[0149]本技术实施例中，循环生成对抗网络的通过前向循环一致性损失保证可以从假样本重建源域样本，以此避免模型把bim图像域中的所有样本都转换为商品域的同一样本。循环一致性损失通常选择l1范数或者mae(平均绝对误差)，因为与mse(均方误差)相比其能够减少假样本重建时的模糊问题。[0150]请参照图5，图5提供本实施例中一种目标图像迁移模型的训练方法；具体的，本技术实施例中，所述目标图像迁移模型，是通过以下训练方法得到的：[0151]s501、获取多个图像迁移模型；不同的图像迁移模型被配置为不同训练阶段的模型参数；[0152]s502、每个图像迁移模型分别为多个样本bim模型的样本最优特征视角图添加纹理特征，生成被表示在商品图像域中的多个样本目标图像；[0153]s503、检测每个样本目标图像中的物体类别和物体位置，计算每个图像迁移模型生成的多个样本目标图像的平均精度，并将所述平均精度作为该图像迁移模型的评估指标；[0154]s504、确定最优评估指标对应的图像迁移模型作为目标图像迁移模型。[0155]具体的，所述模型参数为生成器的模型参数。[0156]对于待赋予纹理的bim图像来说，bim-s在不同训练时期生成的数据质量都会波动。因此很难决定何时停止训练，从而获得该类别的最佳生成图像。为了解决这个问题，本技术实施例通过一个基于faster rcnn的检测器，接收不同训练阶段的生成结果，然后比较生成图像在检测器的性能来选择bim图像最适合的生成器，从而选择出最优的图像迁移模型。[0157]faster rcnn是从r-cnn发展而来的模型。在r-cnn中，目标检测通过三个步骤进行：1)通过选择性搜索获得物体所在的区域，即感兴趣区域(region of interest，roi)；2)提取的区域统一规格并通过cnn提取特征；3)对特征进行回归和分类。在此之后，经过不断的探索，学者研究出了fast rcnn，它通过向r-cnn添加感兴趣区域池化层来减少所需的计算量。而faster rcnn更进一步提出了rpn(region proposal network，区域建议网络)以取代原来的方法，新提出的方法提升了原有方法的性能并因此获得了更好的实验效果。fast rcnn从结构上可以将其大致分为四个模块，分别是特征提取、区域建议网络、roi池化以及分类，下面将依次对四个结构介绍。[0158]特征提取：特征提取部分结构类似于vgg网络，随后将p×q大小的图像送入网络提取特征。在提取特征前会对特征矩阵做扩大的处理，即对特征矩阵填充一圈0，这样再通过3×3的卷积核后依旧会输出p×q大小的特征矩阵。这使得经过特征提取后卷积层会输出与输入相同大小的矩阵，方便特征矩阵与原图相对应。[0159]区域建议网络：fastrcnn之前的检测方法在生成检测框时效率低下，因此fasterrcnn放弃了原有方法提出了rpn完成生成检测框的任务，其优势在于生成时间大幅度缩短。首先为图像生成检测框，为了尽量保证图像的物体能够被准确定位，因此在图像特征上的每个点为中心生成9个长方形检测框，形状比例分别为1:1、1:2、2:1。[0160]由于图像中的物体形状各不相同，只用固定的矩形难以准确定位物体。因此要对这些矩形进行平移和缩放的操作。示例性的，a是原始矩形框，g'是调整后的矩形框，g代表物体正确位置的矩形框。对a进行位置的移动，称为boundingbox回归。通过对a的移动，期望能够得到一个准确的回归窗口g'以尽量跟g的矩形框重合。矩形框一般通过向量(x,y,w,h)来表示，其中x和y代表矩形框中心的坐标，而w和h代表矩形框的宽高。定义a＝(ax,ay,aw,ah)和g＝(gx,gy,gw,gh)，目的为寻找一个移动函数f使得经过f后能够获得g'，即f(ax,ay,aw,ah)＝(g'x,g'y,g'w,g'h)。其中g'和g相似，即(g'x,g'y,g'w,g'h)≈(gx,gy,gw,gh)。为了实现变换f，需要通过矩形框平行移动和矩形框大小缩放的操作，即以下公式(7)、公式(8)、公式(9)、公式(10)：[0161]g'x＝aw·dx(a)+ax(7)[0162]g'y＝ah·dy(a)+ay(8)[0163]g'w＝aw·exp(dw(a))(9)[0164]gh'＝ah·exp(dh(a))(10)[0165]需要学习的是dx(a)、dy(a)、dw(a)、dh(a)四个变换，其中，dx(a)为矩形框a中心的横坐标变换量，dy(a)为矩形框a中心的纵坐标变换量，dw(a)为矩形框a宽的变换量，dh(a)为矩形框a高的变换量。[0166]当输入的矩形框a与真实矩形框g相差较小时，可以近似认为学习一种线性变换，目标函数d*(a)为以下公式(11)：[0167][0168]其中φ(a)是矩形框部分的特征，w*是待得出的系数，d*(a)是期望得到的输出值，d*(a)为dx(a)、dy(a)、dw(a)、dh(a)中的一个。为了让输出值d*(a)与正确的矩形框差距最小，定义预测值和真实值之间的l1损失为以下公式(12)：[0169][0170]t*代表真实值，*代表x，y，w，h，函数优化目标为如下公式(13)：[0171][0172]随后，得到上述数据后需要由proposal层负责综合[dx(a)，dy(a)，dw(a)，dh(a)]变换量，以去除重复的和效果不好的矩形框。在减少矩形框数量并判断正确的矩形框roi后，最终送入roi池化层。[0173]roi池化层负责收集roi并计算出其特征图，它接收原始的特征图和rpn输出的大小不相同的roi。但是大小不同的roi会面临两个问题，对于分类网络来说需要接收固定大小的图像，所以为了保证固定大小需要对图像修改。因此图像会面临完整的结构被破坏或者原始形状被破坏。为了避免这种问题，提出roi池化层用来统一图像大小。roi池化层就是通过对不同的roi对应的特征图进行最大池化层的操作，使得即使不同大小的矩阵也只能输出一个最大的特征值代表该区域，避免了输入特征大小不一致导致的分类错误。[0174]分类层与卷积神经网络一样，通过输入特征向量，利用全连接层与分类函数识别每个roi对应的物体类别。随后通过bounding box回归再次获得每个建议区域的移动系数，使得能够获得更接近真实物体位置的检测框。[0175]综上所述，faster rcnn作为检测器，具有准确分类物体类别并精准定位物体位置的优势，因此它既能评估生成图像的纹理是否丰富且准确，同时能够保证选出的生成器能够在适当的位置添加纹理，而不是在图像的任意地点随意生成。将生成器的检测器融入到bim-s中，以进一步提高图像迁移模型的性能。[0176]本技术实施例中，通过将检测器添加到bim-s框架中以获得最适合商品推荐的生成图像的生成器，来帮助提高在商品推荐时的准确度。为了与未添加检测器的方法做区分，将添加检测器的方法称为bim-s-d。在bim-s中共计训练了200000次，因此为了给检测器提供更多的数据，设置每完成10000次训练时存储一次第一生成器gxy，所以在训练时会存储20个不同阶段的第一生成器。这20个第一生成器的权重不同，所以生成的bim图像纹理也不同。[0177]随后，使20个第一生成器依次对多个模型的最优特征视角图像赋予纹理，得到目标图像，并将目标图像输入到检测器，所述检测器根据roi目标检测算法，确定目标图像中目标物体的位置和类别，并计算每个第一生成器的平均精度。[0178]示例性的，以一个床的bim模型为例，在训练得到图像迁移模型后，如不通过检测器，直接生成图像i200000进行商品推荐的话商品推荐的准确率为60％。而通过为第一生成器添加检测器，对20个不同阶段的为第一生成器生成的目标图像分别进行评估，将目标图像ap最高的i160000作为商品推荐模型的输入可以得到80％的准确率，精确度提高了20％。这是由于生成模型在训练后期学习到了训练样本中更复杂的纹理，随后覆盖在物体上导致识别精度下降，以至于在商品推荐阶段比较特征相似度时不易找到相似的特征。而在检测器中引入了目标检测算法，从全局考虑了不同目标图像的平均精度ap以及物体位置是否能准确识别的iou指标(intersection over union，交并比)，最终将最好的目标图像对应的第一生成器作为结果。[0179]本技术实施例中，iou阈值设置为0.5，即当检测其预测的边界框和真实边界框的重叠程度超过0.5时，就认为检测框是有效的。iou的计算公式为如下(14)：[0180][0181]iou代表检测框位置bp和物体真实位置bgt之间的交集面积占并集面积的比例，area(bp∩bgt)代表检测框位置bp和物体真实位置bgt之间的交集面积；area(bp∪bgt)代表检测框位置bp和物体真实位置bgt之间的并集面积。[0182]以下实验二采用python作为程序语言，将依次对bim图像跨域生成方法bim-s以及添加检测器后的bim图像跨域生成方法bim-s-d进行实验，实验结果也同样采用查准率p和平均精度均值map来评估提出bim-s-d的有效性。[0183]实验二中的图像迁移模型的参数设置为，训练图片尺寸为256×256，学习率learning rate＝0.0002，优化器adam的一阶矩衰减因子beta_1＝0.5。[0184]实验二中的实验样本同样来自5类bim模型，每类模型又包含20个不同样式的模型。图像均为每个模型的最优特征视角图像，最后每类通过20张测试结果的平均值作为最终结果。首先对bim图像跨域生成方法bim-s进行测试，测试生成器为第200000次训练产生的第一生成器g200000，其与直接通过bim模型最优特征视角图像进行商品推荐的bimbv的比较结果如表4所示。[0185]表4[0186][0187]bim-s测试结果在模型床下的准确率为73％，平均精度均值为67.85％，较bimbv准确度可以提高41％，平均精度均值可以提高45.03％；在模型椅子下的准确率为34％，平均精度均值为24.95％，较bimbv准确度可以提高22％，平均精度均值可以提高16.62％；在模型马桶下的准确率为83％，平均精度均值为76.78％，较bimbv准确度可以提高43％，平均精度均值可以提高43.8％；在模型衣柜下的准确率为32％，平均精度均值为25.30％，较bimbv准确度可以提高16％，平均精度均值可以提高16.99％；在模型书柜下的准确率为65％，平均精度均值为59.56％，较bimbv准确度可以提高53％，平均精度均值可以提高54.56％。该实验显示的结果证明了bim-s方法在bim模型进行商品推荐时提高准确度的有效性，并且在5类模型上都有明显的提升；也就是说，通过将最优特征视角图像迁移到商品图像域中，生成目标图像，并通过目标图像进行检索，[0188]本技术实施例中，训练目标图像迁移模型时的第一生成器损失曲线如图6；第一鉴别器的曲线如图7所示。[0189]接着对bim-s-d进行测试，检测器接收20个不同的生成器生成的图像进行检测，得到每个生成器的评估指标。随后对评估指标进行排序，分数最高的生成器生成的目标图像作为商品推荐模型的待输入图像，最终5类bim模型推荐结果如表5所示。[0190]表5[0191][0192]bim-s-d为不同类别的bim模型筛选出不同的生成器，使得在模型床下的查准率达到了89％，平均精度均值为84.88％，较bim-s准确度又提高了16％，平均精度均值则提高了17.03％；在模型椅子下新图像的商品推荐准确率为80％，平均精度均值为75.87％，较bim-s准确度可以提高46％，平均精度均值可以提高50.92％；而在模型马桶下的准确率不变依旧为83％，平均精度均值则稍有提高达到81.62％，比bim-s的平均精度均值提高4.84％；在模型衣柜下的准确率为88％，平均精度均值为87.55％，较bim-s准确度可以提高56％％，平均精度均值可以提高62.25％％；在模型书柜下的准确率为91％，平均精度均值为88.35％，较bim-s准确度提高了26％，平均精度均值可以提高28.79％。[0193]从实验结果来看，床、椅子、衣柜、书柜这四类模型通过bim-s-d方法后均有一定的提升，而马桶类别准确率没有提升，平均精度均值提高了4.84％，与其他类别差别较大。经过研究与思考，其主要原因为马桶本身并没有丰富的纹理，训练样本样式统一，生成模型在后期也不会错误的赋予纹理，因此提高并不明显。此外，为了证明检测器对于选择更好的生成器有帮助，将检测器的ap指标与各阶段生成的目标图像的商品推荐准确率作对比，结果如图8所示。[0194]从图中可以看出，检测器的ap值与目标图像的商品推荐准确率存在相关性。为了能从数据上显示其存在相关性，利用相关系数函数correl(x,y)确定两个数据之间的关系，correl(x*,y*)公式如下公式(15)所示：[0195][0196]其中，x*为检测器的一个样本的ap值，为检测器的样本的ap平均值；y*为一个商品推荐准确率，为商品推荐准确率平均值；[0197]correl(x,y)结果为0.803，证明其两个数据具有正相关性。检测器可以从图像特征的角度判断生成图像是否具备正确的纹理信息，帮助模型快速选择最好的生成器，提高了商品推荐的准确度。最终，5类bim模型在三种方法下的商品推荐准确率p曲线如图8所示。[0198]本技术实施例从图像域迁移的思想入手，提出了基于cyclegan的bim图像跨域生成方法bim-s；基于生成对抗网络的特点，发现其生成器权重因训练而不断变化，无法确定何时是最好的权重，因此进一步提出将目标检测方法faster rcnn融入到bim-s结构中，从而筛选出最好的第一生成器，有效减小bim图像和商品图像之间的视觉域间隙，提高了bim模型在进行商品推荐时的准确性。[0199]在通过本技术实施例所述图像迁移模型，将被表示在bim图像域中的最优特征视角图像转换为被表示在商品图像域中的目标图像后，根据所述目标图像和多种商品的商品图像的第一相似度，确定预设数目个第一相似度排序在先的商品作为商品推荐结果，包括：[0200]从所述目标图像中提取出bim模型特征，并分别计算预先建立的、储存有多种商品的商品图像特征的商品特征库中，每种商品的商品图像特征与所述bim模型特征的第一相似度；[0201]根据每种商品的商品图像特征与所述bim模型特征的第一相似度的计算结果，确定预设数目个第一相似度排序在先的商品作为商品推荐结果。[0202]这里，预先将多种商品的商品图像特征存储在商品特征库中，从而在进行商品检索时，仅仅提取所述bim模型特征即可，减少了特征提取的运算量，提高了检索效率。[0203]请参照图9，图9提供了本技术实施例中所述一种基于bim模型的商品推荐装置的结构示意图，具体的，所述商品推荐装置包括：[0204]获取模块901，用于获取表征bim模型特性信息的最优特征视角图像；其中，所述最优特征视角图像被表示在bim图像域中；[0205]生成模块902，用于为所述被表示在bim图像域中的最优特征视角图像添加纹理特征，生成被表示在商品图像域中的目标图像；[0206]确定模块903，用于根据所述目标图像和多种商品的商品图像的第一相似度，确定预设数目个第一相似度排序在先的商品作为商品推荐结果。[0207]在一些实施例中，所述确定模块，在根据所述目标图像和多种商品的商品图像的第一相似度，确定预设数目个第一相似度排序在先的商品作为商品推荐结果，具体用于：从所述目标图像中提取出bim模型特征，并分别计算预先建立的、储存有多种商品的商品图像特征的商品特征库中，每种商品的商品图像特征与所述bim模型特征的第一相似度；根据每种商品的商品图像特征与所述bim模型特征的第一相似度的计算结果，确定预设数目个第一相似度排序在先的商品作为商品推荐结果。[0208]在一些实施例中，所述获取模块，在获取表征bim模型特性信息的最优特征视角图像时，获取bim模型，并在多个视角点位下截取bim模型的多个视角图像；其中，不同视角点位的视角方位不同，不同视角点位与bim模型中心的视角距离相同；分别计算每个视角图像与目标应用领域中多种预设类别的商品图像的第二相似度；其中，所述目标应用领域为所述bim模型所属的应用领域；根据所述每个视角图像的最大第二相似度，和该视角图像的多个第二相似度的数据离散程度，确定出最优特征视角图像。[0209]在一些实施例中，所述bim模型特征和商品图像特征是通过相同的图像特征提取模型提取的，以使bim模型特征和商品图像特征为相同格式的特征向量。[0210]在一些实施例中，所述生成模块，在为所述被表示在bim图像域中的最优特征视角图像添加纹理特征，生成被表示在商品图像域中的目标图像时，具体用于：将所述被表示在bim图像域中的最优特征视角图像输入至目标图像迁移模型，以生成被表示在商品图像域中的目标图像；其中，所述目标图像迁移模型是通过目标应用领域中bim图像域的样本集和商品图像域的样本集训练得到的，所述bim图像域的样本集包括多张bim样本图像，所述商品图像域的样本集包括多张商品样本图像，所述目标应用领域为所述bim模型所属的应用领域。[0211]在一些实施例例中，所述目标图像迁移模型包括第一生成器、第二生成器、第一鉴别器、第二鉴别器；[0212]当所述目标图像迁移模型接收到bim样本图像时，所述第一生成器用于将所述bim样本图像迁移至被表示在商品图像域中的商品风格bim图像，所述第二生成器用于将所述商品风格bim图像重构为被表示在bim图像域中的bim重构图像，其中，所述bim重构图像和bim样本图像满足第二生成器中预设的正向循环一致性函数；[0213]所述第一鉴别器用于鉴别所述被表示在商品图像域中的商品风格bim图像是否真实；[0214]当所述目标图像迁移模型接收到商品样本图像时，所述第二生成器用于将所述商品样本图像迁移至被表示在bim图像域中的bim风格商品图像，所述第一生成器用于将所述bim风格商品图像重构为被表示在商品图像域中的商品重构图像，其中，所述商品重构图像和商品样本图像满足第一生成器中预设的反向循环一致性函数；[0215]所述第二鉴别器用于鉴别所述被表示在bim图像域中的bim风格商品图像是否真实。[0216]在一些实施例中，还包括训练模块，用于获取多个图像迁移模型；不同的图像迁移模型被配置为不同训练阶段的模型参数；每个图像迁移模型分别为多个样本bim模型的样本最优特征视角图添加纹理特征，生成被表示在商品图像域中的多个样本目标图像；检测每个样本目标图像中的物体类别和物体位置，计算每个图像迁移模型生成的多个样本目标图像的平均精度，并将所述平均精度作为该图像迁移模型的评估指标；确定最优评估指标对应的图像迁移模型作为目标图像迁移模型。[0217]本技术提供的基于bim模型的商品推荐装置，通过从所有的视角图像中，选择出最具代表性的最优视角特征图像，实现bim模型降维，从而能够提高推荐商品的准确率；进一步的，要为所述被表示在bim图像域中的最优特征视角图像添加纹理特征，生成被表示在商品图像域中的目标图像，并通过所述目标图像去检索商品，从而改进商品推荐时图像检索模型对于不同视觉域理解差异造成的影响，进一步提高推荐商品的准确率。[0218]请参照图10，本技术实施例还提供一种电子设备1000，包括：处理器1002、存储器1001和总线，所述存储器1001存储有所述处理器1002可执行的机器可读指令，当电子设备运行时，所述处理器1002与所述存储器1001之间通过总线通信，所述机器可读指令被所述处理器1002执行时执行所述的基于bim模型的商品推荐方法的步骤。[0219]本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行所述的基于bim模型的商品推荐方法的步骤。[0220]所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本技术中不再赘述。在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。[0221]所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0222]另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。[0223]所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，平台服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。[0224]以上仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!