論文の概要: IFCNet: A Benchmark Dataset for IFC Entity Classification
- arxiv url: http://arxiv.org/abs/2106.09712v1
- Date: Thu, 17 Jun 2021 17:59:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-18 15:47:02.854154
- Title: IFCNet: A Benchmark Dataset for IFC Entity Classification
- Title(参考訳): IFCNet: IFCエンティティ分類のためのベンチマークデータセット
- Authors: Christoph Emunds, Nicolas Pauen, Veronika Richter, J\'er\^ome Frisch,
Christoph van Treeck
- Abstract要約: この研究は、幾何学情報と意味情報の両方を含む広い範囲のIFCクラスにまたがる、シングルエンタリティIFCファイルのデータセットであるIFCNetを提示する。
実験では、物体の幾何学的情報のみを用いて、3つの異なるディープラーニングモデルが優れた分類性能を得ることができることを示した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Enhancing interoperability and information exchange between domain-specific
software products for BIM is an important aspect in the Architecture,
Engineering, Construction and Operations industry. Recent research started
investigating methods from the areas of machine and deep learning for semantic
enrichment of BIM models. However, training and evaluation of these machine
learning algorithms requires sufficiently large and comprehensive datasets.
This work presents IFCNet, a dataset of single-entity IFC files spanning a
broad range of IFC classes containing both geometric and semantic information.
Using only the geometric information of objects, the experiments show that
three different deep learning models are able to achieve good classification
performance.
- Abstract(参考訳): BIM向けのドメイン固有ソフトウェア製品間の相互運用性と情報交換の強化は、アーキテクチャ、エンジニアリング、建設、運用業界において重要な側面である。
近年の研究では、BIMモデルのセマンティックエンリッチメントのための機械学習とディープラーニングの分野からの研究が始まっている。
しかし、これらの機械学習アルゴリズムのトレーニングと評価には、十分に大きく包括的なデータセットが必要である。
IFCNetは、幾何学的情報と意味的情報の両方を含む幅広いIFCクラスにまたがる、単一エンテントIFCファイルのデータセットである。
対象の幾何学的情報のみを用いて、3つの異なるディープラーニングモデルが優れた分類性能を達成できることを実験により示した。
関連論文リスト
- Interfacing Foundation Models' Embeddings [136.93591492633607]
FINDはファウンデーションモデルの埋め込みを調整するための汎用インターフェースである。
これは、同じアーキテクチャと重みの下で、検索、セグメンテーション、textitetc.にまたがる様々なタスクに適用される。
インターリーブされた埋め込み空間を考慮して,COCOデータセットに新たなトレーニングと評価アノテーションを導入したFIND-Benchを導入する。
論文 参考訳(メタデータ) (2023-12-12T18:58:02Z) - Serving Deep Learning Model in Relational Databases [72.72372281808694]
リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。
最先端のDL-Centricアーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。
UDF-Centricアーキテクチャは、データベースシステム内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
potentialRelation-Centricアーキテクチャは、演算子による大規模テンソル計算を表現することを目的としている。
論文 参考訳(メタデータ) (2023-10-07T06:01:35Z) - MatSciML: A Broad, Multi-Task Benchmark for Solid-State Materials
Modeling [7.142619575624596]
MatSci MLは機械学習(MatSci ML)法を用いたMATerials SCIenceをモデル化するためのベンチマークである。
MatSci MLは、モデルトレーニングと評価のための多様な材料システムとプロパティデータを提供する。
マルチデータセットの学習環境において、MatchSci MLは、研究者が複数のデータセットからの観測を組み合わせ、共通の特性を共同で予測することを可能にする。
論文 参考訳(メタデータ) (2023-09-12T03:08:37Z) - A Geometric-Relational Deep Learning Framework for BIM Object
Classification [14.685397235316664]
本稿では,2分岐の幾何学的関係深層学習フレームワークを導入し,従来の幾何学的分類手法を関係情報で強化する。
また,BIM オブジェクトデータセット IFCNet++ も提案する。
論文 参考訳(メタデータ) (2022-12-02T03:04:48Z) - A Multi-Format Transfer Learning Model for Event Argument Extraction via
Variational Information Bottleneck [68.61583160269664]
イベント引数抽出(EAE)は、テキストから所定の役割を持つ引数を抽出することを目的としている。
変動情報のボトルネックを考慮したマルチフォーマット変換学習モデルを提案する。
3つのベンチマークデータセットに対して広範な実験を行い、EAE上での新たな最先端性能を得る。
論文 参考訳(メタデータ) (2022-08-27T13:52:01Z) - Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product
Retrieval [152.3504607706575]
本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。
まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。
我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
論文 参考訳(メタデータ) (2022-06-17T15:40:45Z) - Merging Subject Matter Expertise and Deep Convolutional Neural Network
for State-Based Online Machine-Part Interaction Classification [5.216662889312795]
機械部品のインタラクション分類は、スマートマニュファクチャリング(SM)の重要イネーブルであるCyber-Physical Systems(CPS)が必要とする重要な機能である
本研究では,Deep Convolutional Neural Network (CNN) ベースのフレームワークを用いて,機械部品間相互作用の点検出と時系列分類を行う。
論文 参考訳(メタデータ) (2021-12-08T20:23:13Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳(メタデータ) (2020-12-29T23:43:16Z) - MetaPerturb: Transferable Regularizer for Heterogeneous Tasks and
Architectures [61.73533544385352]
本稿ではメタパーターブ(MetaPerturb)というトランスファー可能な摂動モデルを提案する。
MetaPerturbは、レイヤやタスクにまたがる多様な分散を訓練したセット関数であるため、異種タスクやアーキテクチャを一般化することができる。
論文 参考訳(メタデータ) (2020-06-13T02:54:59Z) - Federated Transfer Learning for EEG Signal Classification [14.892851587424936]
脳波分類のためのFTL(Federated Transfer Learning)というプライバシー保護型ディープラーニングアーキテクチャを提案する。
FTLアプローチは、対象適応分析において2%高い分類精度を達成する。
マルチオブジェクトデータがない場合、我々のアーキテクチャは他の最先端のDLアーキテクチャと比較して6%精度が向上する。
論文 参考訳(メタデータ) (2020-04-26T09:03:19Z)
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。