常健楠 李雪蓮

關(guān)鍵詞：椅子設(shè)計；造型特征；深度學(xué)習(xí)；多標(biāo)簽學(xué)習(xí)；生成對抗網(wǎng)絡(luò)

引言

家具有較為明顯的要素特征，基于這些要素特征可以把椅子分為很多類別。設(shè)計師接受椅子的委托任務(wù)時，通常會基于所要求的使用場景、功能風(fēng)格等進(jìn)行設(shè)計構(gòu)思，但是始終都會落腳到椅子的造型結(jié)構(gòu)特征上。

傳統(tǒng)的設(shè)計方法中，設(shè)計師需要花費大量時間和精力去尋找椅子的相關(guān)信息，判別出可以提供設(shè)計靈感的圖像，分析圖像中的設(shè)計要素等，從設(shè)計知識中激發(fā)出可以用于創(chuàng)新的設(shè)計靈感，這種漫長的過程耗時耗力，效率不高，進(jìn)而導(dǎo)致了設(shè)計的創(chuàng)新能力不強(qiáng)。隨著大數(shù)據(jù)、人工AI、深度學(xué)習(xí)等技術(shù)的日益成熟，滲透到各個行業(yè)，也給設(shè)計的創(chuàng)新設(shè)計方法帶來了新的思路與方向。

大數(shù)據(jù)與深度學(xué)習(xí)帶來一場思維的變革，也逐漸延伸到了產(chǎn)品設(shè)計領(lǐng)域，改變了傳統(tǒng)的產(chǎn)品設(shè)計開發(fā)流程。大數(shù)據(jù)技術(shù)已經(jīng)成為設(shè)計各個階段的有力輔助工具，如利用大數(shù)據(jù)在設(shè)計調(diào)研階段獲取用戶畫像和創(chuàng)意靈感[1]、 指導(dǎo)產(chǎn)品色彩設(shè)計[2]、對工業(yè)設(shè)計創(chuàng)作流程的階段優(yōu)化[3] 等。大數(shù)據(jù)全面、及時更新的特點正在給設(shè)計賦能。研究由大數(shù)據(jù)人工智能賦能的產(chǎn)品造型設(shè)計新方法，對于設(shè)計師來說，可以提升設(shè)計流程，創(chuàng)新設(shè)計方法，提高設(shè)計效率；對于企業(yè)，可以降低成本，提高新產(chǎn)品設(shè)計開發(fā)速率，更好地適應(yīng)市場需求與發(fā)展。

一、研究現(xiàn)狀

在家具造型設(shè)計領(lǐng)域，張軼[4] 以符號學(xué)為理論指導(dǎo)，采用家具符號關(guān)聯(lián)的手法，對家具造型要素符號進(jìn)行處理與組合；史青[5] 指出家具造型設(shè)計過程不是單純的形態(tài)塑造，家具設(shè)計應(yīng)巧妙地構(gòu)思審美藝術(shù)與使用功能等；宋艷彬[6] 家具的形態(tài)學(xué)，橫貫整個家具的設(shè)計過程，是家具造型設(shè)計的基礎(chǔ)，強(qiáng)調(diào)了其在家具設(shè)計中的重要性。而明確以椅子為主題的研究相對較少，張祖耀[7] 通過結(jié)合信息單元法和信息交合法，對椅子的設(shè)計需求展開分析，圍繞功能、形態(tài)、材質(zhì)、結(jié)構(gòu)、色彩等要素構(gòu)建了椅子的設(shè)計信息框架，并依據(jù)設(shè)計關(guān)鍵詞開發(fā)設(shè)計的創(chuàng)新點。朱婕[8] 依據(jù)以往的翻譯經(jīng)驗與藝術(shù)修養(yǎng)，深入了解德古拉·德·吉爾（Nicolai de Cier）教授關(guān)于構(gòu)造的概念后，以椅子為例，對椅子進(jìn)行了類型學(xué)的歸類分析和設(shè)計概括。蔡文歡[9]基于感性工學(xué)相關(guān)方法，再結(jié)合統(tǒng)計分析方法與形態(tài)分析法，構(gòu)建了辦公椅情感化造型設(shè)計法則。

在圖像識別應(yīng)用領(lǐng)域，朱斌[10] 等使用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，研究椅子的情感意向識別并構(gòu)建了產(chǎn)品意向識別模型。朱海鵬[11] 使用卷積神經(jīng)網(wǎng)絡(luò)識別家具的風(fēng)格，以椅子為例，構(gòu)建椅子風(fēng)格識別模型并生成新圖像。李怡[12] 等使用多標(biāo)簽學(xué)習(xí)技術(shù)對圖像進(jìn)行分類標(biāo)注，形成了靈活分類的產(chǎn)品圖像數(shù)據(jù)庫，方便設(shè)計師利用標(biāo)簽檢索并設(shè)計。

二、人工智能賦能椅子設(shè)計

在椅子設(shè)計中，設(shè)計師通常根據(jù)甲方提出的設(shè)計要求，基于自己的設(shè)計經(jīng)驗進(jìn)行判斷。需要調(diào)研大量的同類椅子產(chǎn)品圖像進(jìn)行設(shè)計參考、要素分析和汲取靈感，在大數(shù)據(jù)的設(shè)計背景下，產(chǎn)品圖像造型的數(shù)據(jù)量暴增，而設(shè)計師還是通過人為手工的方式進(jìn)行造型特征分析，工作量巨大，已經(jīng)不能適應(yīng)當(dāng)下的設(shè)計節(jié)奏與需求。椅子產(chǎn)品圖像隱藏著豐富的有效信息，缺乏相應(yīng)的工具方法挖掘這些數(shù)據(jù)的價值。隨著設(shè)計大數(shù)據(jù)的發(fā)展，依據(jù)數(shù)據(jù)驅(qū)動展開設(shè)計的創(chuàng)新方法出現(xiàn)，這是一種基于數(shù)據(jù)的創(chuàng)造力而研發(fā)的設(shè)計方法，將數(shù)據(jù)作為設(shè)計創(chuàng)意的中心[13]。

目前，人們對椅子的產(chǎn)品形態(tài)的研究多集中于感性工學(xué)，研究椅子造型與感性意向之間的關(guān)系。而在計算機(jī)技術(shù)高速發(fā)展的當(dāng)下，圖像所呈現(xiàn)的形態(tài)信息作為一種很可貴的可利用資源正在愈發(fā)凸顯，大批量的椅子圖像數(shù)據(jù)可以被計算機(jī)深度學(xué)習(xí)更好地識別分析，輔助設(shè)計師進(jìn)行數(shù)據(jù)管理與設(shè)計構(gòu)思。近年來，深度學(xué)習(xí)算法飛速發(fā)展，在各行各業(yè)中都賦予了巨大的發(fā)展?jié)撃?，“深度學(xué)習(xí)”是機(jī)器學(xué)習(xí)中一種基于深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的算法，善于處理海量、雜亂無章的用戶數(shù)據(jù)，并將數(shù)據(jù)內(nèi)在豐富關(guān)系和結(jié)構(gòu)歸納出來[14]，在當(dāng)今這個大數(shù)據(jù)的環(huán)境下具有非常廣闊的研究與發(fā)展空間。目前，深度學(xué)習(xí)技術(shù)在多標(biāo)簽圖像分類[15]、圖像摘要生成等領(lǐng)域取得了矚目的研究成果，給予產(chǎn)品圖像的分類和標(biāo)注以理論的支撐，多標(biāo)簽學(xué)習(xí)技術(shù)能對圖像特征進(jìn)行學(xué)習(xí)標(biāo)注，形成圖像與特征標(biāo)簽的映射。設(shè)計師可以通過選擇相同標(biāo)簽的圖像，查看大批量設(shè)計圖像數(shù)據(jù)，更好地分析設(shè)計圖像，提高設(shè)計效率。

將深度學(xué)習(xí)引入家具行業(yè)、椅子設(shè)計，對設(shè)計者來說，減輕前期大量繁瑣的基礎(chǔ)工作，將工作重心轉(zhuǎn)移到真正的設(shè)計上來，做出更有創(chuàng)意，更能吸引用戶的產(chǎn)品。對行業(yè)來說，提高產(chǎn)品圖像資源的有效利用，促進(jìn)設(shè)計靈感的迸發(fā)，進(jìn)而有力地賦能家具設(shè)計。

三、深度學(xué)習(xí)下的椅子智能設(shè)計流程

（一）研究路線

本文期望建立椅子智能設(shè)計流程，方法構(gòu)建過程中主要包含1. 獲取大批量椅子圖像數(shù)據(jù)；2. 椅子圖像識別與分類；3. 多標(biāo)簽圖像識別標(biāo)注椅子；4. 構(gòu)建椅子圖像數(shù)據(jù)庫；5. 生成對抗網(wǎng)絡(luò)生成椅子新圖像。詳細(xì)的設(shè)計流程圖如圖1 所示。

（二）圖像數(shù)據(jù)采集

圖像數(shù)據(jù)是本研究最主要的研究素材。以百度、Pinterest 與花瓣網(wǎng)站為主，利用爬蟲工具在網(wǎng)站上查找并下載椅子圖片。

通過網(wǎng)絡(luò)爬蟲獲取了6 萬張椅子圖像后，經(jīng)過人工簡單篩選，發(fā)現(xiàn)椅子圖像中夾雜著很多單張圖上多把椅子、桌子椅子共同出現(xiàn)等不符合規(guī)定的圖像。爬蟲不具備理想的篩選能力，只能依據(jù)椅子等關(guān)鍵詞進(jìn)行爬取，因此，還需要經(jīng)過后續(xù)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行篩選剔除。

（三）椅子造型特征要素標(biāo)簽調(diào)研

研究搭建圖像識別與標(biāo)注模型、多標(biāo)簽學(xué)習(xí)標(biāo)注模型，在構(gòu)建樣本集進(jìn)行標(biāo)簽標(biāo)注前，需要先獲取椅子造型特征要素，構(gòu)建標(biāo)簽。獲取標(biāo)簽的步驟如下：廣泛調(diào)研與椅子造型相關(guān)的期刊文獻(xiàn)，統(tǒng)計多種椅子造型分類的依據(jù)—從類型學(xué)角度確定椅子造型特征大類—用形態(tài)分析法分析椅子具體造型要素—歸納確定椅子造型特征要素標(biāo)簽。

經(jīng)過綜合考慮，研究家具造型，尤其是以椅子造型為研究對象的論文，首先，通過文獻(xiàn)、網(wǎng)絡(luò)、書刊、雜志、報紙、從業(yè)者口述等途徑廣泛收集椅子的造型分類依據(jù)，見表1。

調(diào)研各論文中對椅子造型的研究分類方法，現(xiàn)有涉及椅子造型的研究，基本從形態(tài)、色彩、材質(zhì)出發(fā)。造型類型學(xué)可以從橫向造型角度和縱向結(jié)構(gòu)角度更為深刻地理解椅子這種類型的家具造型，理解已有的椅子設(shè)計經(jīng)驗與知識。目前，已有的家具類型學(xué)從造型、材質(zhì)、連接方式劃分北歐椅子；形態(tài)分析法基于形態(tài)學(xué)來對事物展開分析，首先將研究的目標(biāo)對象劃分成各個基本的組成部分，再帶有針對性目的地各自處理不同的組成部分。家具領(lǐng)域形態(tài)分析法的應(yīng)用多是為了與感性工學(xué)結(jié)合，在本次研究中可以作為基礎(chǔ)依據(jù)來對椅子造型進(jìn)行劃分。綜合兩種方法，本文決定從表2 所示角度進(jìn)行劃分，展開研究。

（四）椅子及特征要素識別分類實驗

1. 建立卷積識別模型

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的代表算法之一，以圖像識別為中心，能較好地獲取目標(biāo)圖像特征?？梢詫崿F(xiàn)椅子圖像的識別分類，從獲得的眾多椅子圖像中篩選不符合要求的圖像。為此需要選擇一個識別能力強(qiáng)、泛化性好、易操作的卷積神經(jīng)網(wǎng)絡(luò)。ResNet50 網(wǎng)絡(luò)是公認(rèn)的識別效果極好的卷積神經(jīng)網(wǎng)絡(luò)，而MoblieNet V2 網(wǎng)絡(luò)則能在保持性能的前提下降低模型大小，提升模型速度，是一種小巧而高效的卷積神經(jīng)網(wǎng)絡(luò)。首先，要測試ResNet、MoblieNet 網(wǎng)絡(luò)哪一個更適合用于此次椅子圖像的研究內(nèi)容。

實驗選擇在PaddlePaddle 上進(jìn)行，該平臺的構(gòu)造框架是百度深度學(xué)習(xí)框架，提供了一些深度學(xué)習(xí)的源代碼和研發(fā)項目，供研究人員免費自由學(xué)習(xí)。訓(xùn)練時保證網(wǎng)絡(luò)暢通且除瀏覽器外電腦沒有其余軟件負(fù)載，所使用云計算為高級版算力卡：GPU：Tesla V100. VideoMem：16GB；語言環(huán)境為 Python 3.7；編程軟件：Pycharm；項目框架：PaddlePaddle1.7.2 版本。訓(xùn)練集為通過爬蟲獲取的大批量圖片，通過人工篩選出1280 張圖片，其中，640 張為椅子的圖像，640 張不是椅子的圖像。

搭載好兩種神經(jīng)網(wǎng)絡(luò)，除了各自不同的神經(jīng)網(wǎng)絡(luò)架構(gòu)外，均需要保持參數(shù)一致。如均輸入RGB 彩色3 通道224x224 的圖像；設(shè)置訓(xùn)練集與測試集比例為4：1；以ReLU 為激活函數(shù)；用softmax 做回歸分類。batch_size 為64；訓(xùn)練回合數(shù)為30；學(xué)習(xí)率為0.001；實驗完成后均統(tǒng)計訓(xùn)練總時長、識別準(zhǔn)確率，以及額外16 張測試圖片的分類結(jié)果。

2. 多標(biāo)簽標(biāo)注模型構(gòu)建

多標(biāo)簽學(xué)習(xí)技術(shù)可以根據(jù)對圖像特征的學(xué)習(xí)，進(jìn)行多個標(biāo)簽的標(biāo)注，形成圖像與特征標(biāo)簽的映射。一張椅子圖像包含有很多有價值的設(shè)計信息，按照前文構(gòu)建的椅子造型特征要素標(biāo)簽，可以從多個角度更好地展現(xiàn)椅子的設(shè)計元素以及屬性特征等，具有相同標(biāo)簽的圖像可以提高對該標(biāo)簽所代表的客觀特征的理解，并且可以幫助設(shè)計在自己的設(shè)計構(gòu)思中體現(xiàn)該特征。

多標(biāo)簽標(biāo)注模型需要首先對目標(biāo)圖像進(jìn)行標(biāo)簽標(biāo)注，一張圖像標(biāo)注多個信息，從卷積識別模型篩選后的數(shù)據(jù)集里隨機(jī)抽取603 張椅子進(jìn)行標(biāo)注，分別按照構(gòu)建的標(biāo)簽進(jìn)行標(biāo)注，標(biāo)注完成后各標(biāo)簽的數(shù)量如表3 所示。

多標(biāo)簽標(biāo)注模型在jupyter 上進(jìn)行編碼，使用jupyter 的好處是可以在代碼單元格中直接運行代碼，實現(xiàn)實時交互，方便檢查和調(diào)試代碼。訓(xùn)練模型的第一步是向多標(biāo)簽訓(xùn)練網(wǎng)絡(luò)輸入訓(xùn)練數(shù)據(jù)集并訓(xùn)練。第二步是邀請 5 位具有3 年以上家具設(shè)計研發(fā)經(jīng)驗的設(shè)計、家具領(lǐng)域研究生對 10 張家具圖片造型特征標(biāo)簽進(jìn)行評定。然后向網(wǎng)絡(luò)輸入已評定標(biāo)簽的10 張測試圖片進(jìn)行識別，并做多個標(biāo)簽標(biāo)注。

3. 結(jié)果與討論

椅子識別分類對比實驗完成后，收集數(shù)據(jù)并分析，由表4 可知：兩個網(wǎng)絡(luò)均能正確識別驗證圖片，說明計算機(jī)可以識別椅子和非椅子并有一定的準(zhǔn)確性；

訓(xùn)練時長RseNet 為94 分18 秒、Moblienet 為72 分57 秒，resnet 網(wǎng)絡(luò)耗時稍微長一點。原因可能是，ResNet 殘差結(jié)構(gòu)先用1x1 的卷積降維，再升維，MoblieNetV2 則是先升維，再降維。因此對于ResNet，其殘差結(jié)構(gòu)是兩頭大，中間小。而對于MoblieNetV2則是中間大，兩頭小的結(jié)構(gòu)MoblieNetV2 網(wǎng)絡(luò)的核心是采用了可分解的depthwise separable convolution，優(yōu)點是降低模型計算復(fù)雜度的同時降低模型大小。這使得其可以更好地運載在未來真實的移動端應(yīng)用場景。所以成為當(dāng)下持續(xù)研究的重點。

因此，選取MoblieNet 作為識別椅子和非椅子的網(wǎng)絡(luò)，建立椅子圖像識別與分類模型，并對大批量椅子圖像進(jìn)行識別篩選，得到符合要求的椅子圖像繼續(xù)接下來的實驗與研究。

椅子標(biāo)簽識別標(biāo)注實驗完成后，本次預(yù)測集隨機(jī)抽取了一萬張椅子圖像作為樣本。模型預(yù)測的結(jié)果存在樣本文件夾下的test文件夾內(nèi)，預(yù)測的標(biāo)簽作為樣本的名字，如圖2。

通過在文件夾搜索欄輸入標(biāo)簽（如fushouyi），文件夾將會指定所有標(biāo)簽中包含該標(biāo)簽的圖片，即可查看帶有該標(biāo)簽的圖片是否符合該標(biāo)簽特征。以此驗證模型訓(xùn)練準(zhǔn)確率與有效性。

從預(yù)測樣本中搜索標(biāo)簽并抽取一千張圖像，檢查核對。結(jié)果如下：扶手椅隨機(jī)抽樣1000 張，錯誤193 張，準(zhǔn)確率80.7%。殼體隨機(jī)抽樣1000 張，錯誤237 張，準(zhǔn)確率76.3%。幾何形態(tài)隨機(jī)抽樣1000張，錯誤145 張，準(zhǔn)確率85.5%。準(zhǔn)確率普遍不高，分析原因，與訓(xùn)練樣本分布不均衡有關(guān)，訓(xùn)練樣本需要將各個樣本均達(dá)到一定數(shù)量，才能使網(wǎng)絡(luò)模型充分學(xué)習(xí)到各個標(biāo)簽下對應(yīng)的特征。部分過多，部分過少會使得每個標(biāo)簽的學(xué)習(xí)效果都受影響。

四、設(shè)計方案生成

椅子圖像數(shù)據(jù)庫中圖像數(shù)據(jù)以標(biāo)簽命名的形式存放，通過檢索不同標(biāo)簽，可以選擇含有共同標(biāo)簽的椅子，可以作為訓(xùn)練集進(jìn)行新圖像的生成。

（一）生成對抗網(wǎng)絡(luò)

GANs 是由Ian 等人于2014 年提出的， 并首次在論文Generative Adversarial Nets 中進(jìn)行了描述。生成對抗網(wǎng)絡(luò)的結(jié)構(gòu)內(nèi)容主要包含兩個，一個是負(fù)責(zé)生成新圖像的生成器（Generator），另一個是負(fù)責(zé)判別真假的判別器（Discriminator），二者相互訓(xùn)練，相互競爭。訓(xùn)練過程中，生成器不斷地生成越來越好的偽圖像來迷惑判別器，使其無法判斷是真是假；而判別器也在不斷強(qiáng)化識別能力，努力正確地識別真假圖像。

生成對抗網(wǎng)絡(luò)對輸入的圖像進(jìn)行分析、提取圖像特征，然后以此為依據(jù)生成新的圖像。通過對比f-AnoGAN-master 生成對抗網(wǎng)絡(luò)和DCGAN 生成對抗網(wǎng)絡(luò)對產(chǎn)品圖像的生成效果，確定采用DCGAN 網(wǎng)絡(luò)來生成圖像并展開設(shè)計。

（二）設(shè)計生成與構(gòu)思過程

設(shè)計生成需要先準(zhǔn)備訓(xùn)練數(shù)據(jù)集，選擇靠背椅這一標(biāo)簽下的椅子圖像共8000 張組建訓(xùn)練集，另外，準(zhǔn)備2000 張測試集，按照訓(xùn)練測試4：1 的比例組建模型需調(diào)用的數(shù)據(jù)。所有椅子圖像均含有靠背椅這一標(biāo)簽，其他標(biāo)簽各不相同。生成對抗網(wǎng)絡(luò)根據(jù)獲取的圖像特征，生成新的圖像，新圖像和用作訓(xùn)練的有相似之處，但又不同，既保有訓(xùn)練集圖像的設(shè)計基因，又有自己獨特的新特征。如圖3 所示。

生成對抗網(wǎng)絡(luò)生成新圖像的質(zhì)量受模型參數(shù)、訓(xùn)練時長等因素影響，整體圖像形態(tài)較為清晰，但是具體細(xì)節(jié)卻又模糊不清，因此，并不能直接作為最終的設(shè)計圖紙，只能作為設(shè)計靈感草圖提供給設(shè)計師，由設(shè)計師品味生成的圖像，并從形態(tài)隨機(jī)、不規(guī)則的“創(chuàng)意”之中，汲取設(shè)計靈感，通過進(jìn)一步優(yōu)化設(shè)計草圖，構(gòu)思產(chǎn)品的細(xì)節(jié)，如材質(zhì)、結(jié)構(gòu)等。

如圖4 中草圖1，看似“斷腿”，缺乏基本的支撐結(jié)構(gòu)，實則可以通過采用透明亞克力材料作為銜接，造成“斷腿”的視覺效果，增加這張?zhí)梢蔚膭?chuàng)意性，同時可以引導(dǎo)設(shè)計師突破此時的思維桎梏，往透明材料、打破常規(guī)的視角去思考。又如草圖2，與以往傳統(tǒng)的圈椅似是而非，可以看作是座面的一種錯位，也可以作為兩把靠背椅交叉在一起的設(shè)計；草圖3 中的紅色椅子，生成圖像中是紅色的配色，通過對材質(zhì)的思考，可以設(shè)計成紅色為皮質(zhì)面料，黑色為金屬的椅子。下方腿部支撐一邊為傳統(tǒng)的三角形，一邊為半圓弧形，三角形與原型的構(gòu)成及材質(zhì)的搭配營造出一種輕盈緊俏的設(shè)計感。

圍繞草圖1，通過手繪方案，設(shè)計推演，三維建模，材質(zhì)渲染等步驟最終設(shè)計了“中空”躺椅。結(jié)合生成方案給人的第一直覺，缺少腿部支撐，本該是最舒服結(jié)實的躺椅，卻讓人看起來很不穩(wěn)固，但是走近細(xì)看，躺下試試，才會驚覺它的穩(wěn)固，以及采用透明亞克力給人支撐“中控”的錯覺，耐人尋味。見圖5。

總體來看，通過生成對抗網(wǎng)絡(luò)生成的圖像雖然還不能作為直接的設(shè)計方案使用，但是其生成圖像的巧妙構(gòu)思，極大促進(jìn)了產(chǎn)品設(shè)計的設(shè)計流程，提高了設(shè)計效率，生成草圖經(jīng)過設(shè)計師的人為優(yōu)化，即可得到比較成熟的產(chǎn)品設(shè)計方案。

結(jié)語

綜上，圍繞椅子造型特征展開研究，確立一種從獲取、處理、分析、利用圖像數(shù)據(jù)的研究思路，以深度學(xué)習(xí)為基礎(chǔ)的椅子造型特征識別標(biāo)注與智能設(shè)計方法。首先，將現(xiàn)有的椅子特征要素進(jìn)行了重新梳理與歸納。其次，用Resnet、Moblienetv2 兩種卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行椅子的識別與分類，從訓(xùn)練時長、識別準(zhǔn)確率兩個方面考量哪種網(wǎng)絡(luò)模型更適合用在椅子智能設(shè)計領(lǐng)域。然后通過多標(biāo)簽學(xué)習(xí)標(biāo)注模型，實現(xiàn)對海量椅子圖像數(shù)據(jù)的造型特征標(biāo)簽識別標(biāo)注。不足之處是標(biāo)注樣本不夠均衡，但是依然證明了多標(biāo)簽學(xué)習(xí)標(biāo)注模型的有效性。最后通過選定某一標(biāo)簽的椅子數(shù)據(jù)作為訓(xùn)練集，通過生成對抗網(wǎng)絡(luò)生成可以提供靈感的設(shè)計新圖像。

通過所構(gòu)建的方法得到被學(xué)習(xí)標(biāo)注的產(chǎn)品圖像，還可通過對不同標(biāo)簽的選擇，完成對數(shù)據(jù)的篩選分類，未來將帶有標(biāo)簽的圖像數(shù)據(jù)云端建庫存放，以供所有家具行業(yè)人員瀏覽下載。根據(jù)選擇的同標(biāo)簽數(shù)據(jù)集，通過生成對抗網(wǎng)絡(luò)進(jìn)行新產(chǎn)品圖像生成，提供設(shè)計師符合一定標(biāo)簽的新產(chǎn)品圖像，激活創(chuàng)意靈感，提高設(shè)計效率。