論文の概要: FloorPlanCAD: A Large-Scale CAD Drawing Dataset for Panoptic Symbol
Spotting
- arxiv url: http://arxiv.org/abs/2105.07147v1
- Date: Sat, 15 May 2021 06:01:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 14:48:26.741417
- Title: FloorPlanCAD: A Large-Scale CAD Drawing Dataset for Panoptic Symbol
Spotting
- Title(参考訳): FloorPlanCAD:パノプティカルシンボルスポッティングのための大規模CAD描画データセット
- Authors: Zhiwen Fan, Lingjie Zhu, Honghua Li, Xiaohao Chen, Siyu Zhu, Ping Tan
- Abstract要約: FloorPlanCADは1万以上のフロアプランを含む大規模実世界のCAD描画データセットである。
グラフ畳み込みニューラルネットワーク(GCN)と畳み込みニューラルネットワーク(CNN)を組み合わせた新しい手法を提案する。
提案したCNN-GCN法は意味記号スポッティングのタスクにおいて最先端(SOTA)性能を達成した。
- 参考スコア(独自算出の注目度): 38.987494792258694
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Access to large and diverse computer-aided design (CAD) drawings is critical
for developing symbol spotting algorithms. In this paper, we present
FloorPlanCAD, a large-scale real-world CAD drawing dataset containing over
10,000 floor plans, ranging from residential to commercial buildings. CAD
drawings in the dataset are all represented as vector graphics, which enable us
to provide line-grained annotations of 30 object categories. Equipped by such
annotations, we introduce the task of panoptic symbol spotting, which requires
to spot not only instances of countable things, but also the semantic of
uncountable stuff. Aiming to solve this task, we propose a novel method by
combining Graph Convolutional Networks (GCNs) with Convolutional Neural
Networks (CNNs), which captures both non-Euclidean and Euclidean features and
can be trained end-to-end. The proposed CNN-GCN method achieved
state-of-the-art (SOTA) performance on the task of semantic symbol spotting,
and help us build a baseline network for the panoptic symbol spotting task. Our
contributions are three-fold: 1) to the best of our knowledge, the presented
CAD drawing dataset is the first of its kind; 2) the panoptic symbol spotting
task considers the spotting of both thing instances and stuff semantic as one
recognition problem; and 3) we presented a baseline solution to the panoptic
symbol spotting task based on a novel CNN-GCN method, which achieved SOTA
performance on semantic symbol spotting. We believe that these contributions
will boost research in related areas.
- Abstract(参考訳): 大規模で多様なコンピュータ支援設計(CAD)図面へのアクセスは、シンボルスポッティングアルゴリズムの開発に不可欠である。
本稿では,住宅から商業ビルまで,1万以上のフロアプランを含む大規模実世界のcad描画データセットである floorplancad を提案する。
データセット内のcad描画はすべてベクターグラフィックスとして表現され、30のオブジェクトカテゴリの線分アノテーションを提供することができます。
このようなアノテーションを具備して、可算物のインスタンスだけでなく、可算物のセマンティクスも必要とする、汎視的シンボルスポッティングのタスクを導入する。
この課題を解決するために,グラフ畳み込みニューラルネットワーク(GCN)と畳み込みニューラルネットワーク(CNN)を組み合わせた新しい手法を提案する。
提案したCNN-GCN法は,意味記号スポッティングタスクにおける最先端(SOTA)性能を達成し,汎視覚記号スポッティングタスクのベースラインネットワーク構築を支援する。
提案したCAD描画データセットはその種類の第一種である; 2) モノインスタンスとモノセマンティックの両方のスポッティングを一つの認識問題とみなす; 3) セマンティックシンボルスポッティングのSOTA性能を達成した新しいCNN-GCN法に基づくパン光学シンボルスポッティングタスクのベースラインソリューションを提示した。
これらの貢献によって、関連分野の研究が促進されると考えています。
関連論文リスト
- Multiview Scene Graph [7.460438046915524]
適切なシーン表現は、空間知性の追求の中心である。
未提示画像からマルチビューシーングラフ(MSG)を構築することを提案する。
MSGは、場所とオブジェクトノードを相互接続したシーンをトポロジ的に表現する。
論文 参考訳(メタデータ) (2024-10-15T02:04:05Z) - Pixel-Wise Symbol Spotting via Progressive Points Location for Parsing CAD Images [1.5736099356327244]
本稿では,CAD図面から変換されたCAD画像からシンボルをラベル付けし,配置する。
CAD画像からシンボルをスポッティングする利点は、ラベル付けの低要件と低コストのアノテーションにある。
キーポイント検出に基づいて,CAD画像中の矩形記号を再描画するシンボルグループ化手法を提案する。
論文 参考訳(メタデータ) (2024-04-17T01:35:52Z) - Symbol as Points: Panoptic Symbol Spotting via Point-based
Representation [18.61469313164712]
本研究は,コンピュータ支援設計(CAD)図面におけるパノプティカルシンボルスポッティングの問題について考察する。
我々は、グラフィックプリミティブを局所的に連結された2D点の集合として扱う別のアプローチをとる。
具体的には、点変換器を用いて原始的な特徴を抽出し、マスク2フォルマーのようなスポッティングヘッドを付加して最終的な出力を予測する。
論文 参考訳(メタデータ) (2024-01-19T08:44:52Z) - SGAligner : 3D Scene Alignment with Scene Graphs [84.01002998166145]
3Dシーングラフの構築は、いくつかの具体的AIアプリケーションのためのシーン表現のトピックとして登場した。
オーバーラップ可能な3次元シーングラフのペアをゼロから部分的に整列させるという基本的な問題に着目する。
そこで我々はSGAlignerを提案する。SGAlignerは3次元シーングラフのペアを組合わせるための最初の方法であり、その組込みシナリオに対して堅牢である。
論文 参考訳(メタデータ) (2023-04-28T14:39:22Z) - GAT-CADNet: Graph Attention Network for Panoptic Symbol Spotting in CAD
Drawings [0.0]
コンピュータ支援設計(CAD)図面からグラフィカルシンボルを抽出することは、多くの産業アプリケーションにとって不可欠である。
本稿では,各CAD描画をグラフとして扱うことにより,新しいグラフ注意ネットワークGAT-CADNetを提案する。
提案したGAT-CADNetは直感的だが有効であり, 一つの統合ネットワークにおける汎視的シンボルスポッティング問題の解決に成功している。
論文 参考訳(メタデータ) (2022-01-03T13:08:28Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳(メタデータ) (2020-08-11T19:10:32Z) - Symbol Spotting on Digital Architectural Floor Plans Using a Deep
Learning-based Framework [76.70609932823149]
本稿では,ディープラーニング(DL)フレームワークを用いた実世界のデジタル建築フロア計画のシンボルスポッティングに焦点を当てた。
本稿では,DLベースのオブジェクト検出ネットワークに特有な問題を避けるため,タイルに基づくトレーニング戦略を提案する。
実世界のフロアプランにおける実験により,クラス内類似度が低く,図形的複雑性が変化するアーキテクチャシンボルの検出に成功していることが示された。
論文 参考訳(メタデータ) (2020-06-01T03:16:05Z) - 3D Sketch-aware Semantic Scene Completion via Semi-supervised Structure
Prior [50.73148041205675]
セマンティック・シーン・コンプリート(SSC)タスクの目標は、単一視点で観察することで、ボリューム占有率とシーン内のオブジェクトの意味ラベルの完全な3Dボクセル表現を同時に予測することである。
低解像度のボクセル表現で深度情報を埋め込む新しい幾何学的手法を提案する。
提案手法は,SSCフレームワークからの深度特徴学習よりも有効である。
論文 参考訳(メタデータ) (2020-03-31T09:33:46Z) - Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature
Interactions [153.6357310444093]
Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。
我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。
我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
論文 参考訳(メタデータ) (2020-03-05T13:05:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。