家居软装厂家：家居软装效果图片
undefined
随着消费互联网流量红利的逐渐殆尽，移动互联网的主战场转向产业互联网，家居行业3D数字化进程高歌猛进，行业开始沉淀下了大量的与真实商品对应3D模型数据，如何应用真实商品的3D数据的多维度特点，来改善消费者的购物体验具有重要意义。
国内地产交付房子时存在毛坯房和精装房的区分。
△ 图（毛坯房）
△ 图（精装房）根据次元视界2018年上百家一二线城市的消费者调查数据（来源：http://wap.panguvr.com/docs/detail/134）显示，90%的消费群体会在软装装修前上网搜图但如今，线下实体店仍然占据80%的销售额，线上流量无法直接转化成消费行为是行业中的一大痛点。
如何将线上线下的优势结合，优化资源配置，快速实现线下家居实体业的「进化」，成为家居企业发展的重中之重但实现线下家居实体业的进化存在诸多难点：从消费者角度看信息大爆炸时代内容庞杂，很难利用效果图在线上直接搜索到，或在线下快速找到想要家居产品。
即使搜索到，也难以想象其实际的大小、摆放效果等而逛实体店“按图索骥”，又会有店铺分散、产品分散，费时费力的问题
从家居行业商户角度看，线上销售渠道虽然逐渐丰富， 但随之而来的也是大量卖家涌入线上平台，线上流量争夺激烈、红利减少，产品大概率为2D图片，用户体验差。
总结来说，随着新零售、大家居、互联网家装等新理念席卷，“线上+线下”双融合的家装营销模式更符合行业发展趋势引导消费者通过效果图来直接展开消费行为为产业革新的关键这些问题，随着近年来卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习模型的广泛应用，有了很好的解决方法。
次元视界应用飞桨（PaddlePaddle），将Faster R-CNN应用于效果图真实商品检测，并结合可视化技术（Web3D、混合现实、全景云图），为消费者带来高品质的视觉感知服务，实现以图搜商品飞桨（PaddlePaddle）是百度自研的集深度学习框架、工具组件和服务平台为一体的技术领先、功能完备的开源深度学习平台，有全面的官方支持的工业级应用模型，涵盖自然语言处理、计算机视觉、推荐引擎等多个领域，并开放多个领先的预训练中文模型。
有关飞桨（PaddlePaddle）的更多信息，请查看：http://www.paddlepaddle.org/在下文中，我们将详细介绍飞桨（PaddlePaddle）如何与Faster R-CNN结合起来，实现以图搜商品的功能。
什么是Faster R-CNNFaster R-CNN可以看作特征提取网络、Fast R-CNN和区域建议网络（Region Proposal Network, RPN）的组合根据相关资料显示，以图搜商品的搜索准确率，会根据物体类别有所不同，大致分为三个类别：。
平面物体，如画报、装饰画等，准确率可达到 95%以上；三维刚性物体，如立体家居模型，准确率在 80%以上；对于柔性或纹理单一物体，如纺织类、纹理单一的物品等，识别相对困难目前，图像搜索在某些垂直领域已经可以成熟应用，然而面向“万物搜索”，仍有较大的提升空间。
不过，对于家居行业来说，商品基本上是在平面物体、三维刚性物体上展示，因而在搜索时可以达到较高的准确率
家居商品检测方法效果图Object Detection以图搜商品将解决文字搜索无法精确描述场景的问题，如海淘搜索商品时语种不对称、实时场景中看到心仪商品但信息不对称的情况等不过，想要对效果图进行解锁提取家具的单品图，我们需要采用目标检测（Object Detection），目的是将效果图中的每个家具独立框选出来，并且识别出框中的是沙发、茶几、电视柜、床等家具类别。
△ 图（效果图框选家具标识类别）目标检测的第一步是要区域提名（Region Proposal）,类似于光学字符识别（OCR），简单的说就是尽量切碎到小的连通域，然后再根据相邻块的一些形态学特征进行合并，所以一定程度上可以说区域提名是更难的一个问题。
从机器学习的角度来说，问题的核心在于如何有效地去冗余候选区域，其实冗余候选区域大多是发生了重叠，选择性搜索利用这一点，自底向上合并相邻的重叠区域，从而减少冗余单品图特征检索通过Object Detection我们可以提取效果图获得家具单品图和单品类型，假设我们提取了类型为床的单品图。
△ 图（床搜索原图）输入单品图和类型，快速找到相似的商品
感知哈希（hash）算法的应用感知哈希（hash）算法是一个有可比较的哈希函数的类，图像特征被用于生成独特（但不是唯一）的指纹，而这些指纹是可比较的提取家具图像hash值的我们需要进行如下步骤：缩小尺寸。
：去除高频和细节的最快方法是缩小图片，将图片缩小到8x8的尺寸，总共64个像素；简化色彩：将8*8的小图片转换成灰度图像；计算平均值：计算所有64个像素的灰度平均值；比较像素灰度：将每个像素的灰度，与平均值进行比较。
大于或等于平均值，记为1；小于平均值，记为0；计算hash值：组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。
3D数据采集通过实时渲染技术快速生成每个家居3D模型不同角度的几十张图像数据,并且混合复杂背景提升训练后的识别准确率。
△ 图（多角度图片示例）基于3D模型我们还可以采集商品的搭配色彩表、材质信息、尺寸信息等更多维度的数据集，为之后的软装搭配智能推荐算法打下基础用不同深度学习框架的体验首先我们先尝试的是谷歌的TensorFlow 深度学习框架，但在衡量本土化支持、开发者支持以及之后的商业化潜力后，我们决定无缝迁移到百度的飞桨（PaddlePaddle）。
由于之前《次元视界》已经基于TF 的Fast RCNN 做了将近三个月的大量数据联系，迁移到飞桨（PaddlePaddle）后我们有了以下发现——飞桨（PaddlePaddle） 更完美地支持了模型并行和数据并行多机训练。
由于我们的数据，是每个家居3D模型不同角度的几十张图像数据、海量模型，包括大家居所有品类，这就意味着需要处理大于几个Terabyte的数据飞桨（PaddlePaddle）的运算占用内存小、速度快、支持并行，对我们的工作量非常适合。
经过一周的训练，我们的模型轮廓识别准确率已达到89%，高于TF5%的识别率，并且其中的False Positive Rate (FPR) 也比之前减少了32%
总结产业互联网时代，互联网平台掌握更多的数据量，与之相关的处理、计算、分析等实践基础更完善，从而帮助企业实现数字化转型而卷积神经网络具有多层次语义表达能力，不同层所提取的图像特征具有不同含义，选择不同卷积层会提取出不同层次的特征，在未来发展上极具优势。
本应用以家居行业效果图和真实商品库为研究对象，综合考虑消费者软装搭配选购的特点，展开以效果图搜索家居3D商品库数据集，通过3D模型的多维度特性增强扩大样本规模，实现对效果图的快速解锁、检索和匹配结合次元视界的3D模型自动化处理技术，全球各类模型共享网站都可作为数据集构建，该数据集可获取几百万家居模型和几百种分类，可覆盖全球家居的商品类别和外观。
未来基于3D数据构建的样本系统，可将积累的用户数据最大化的利用，计算机将建立和推测用户的需求模型以及各种解的模型，从而主动筛选出最佳内容，即未来将扩展为精准的可结合户型、喜好的家居软装搭配智能推荐系统，成为一个全新的家居流量入口。
免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186
