論文の概要: SFS-A68: a dataset for the segmentation of space functions in apartment buildings

• arxiv url: http://arxiv.org/abs/2209.09094v1
• Date: Tue, 13 Sep 2022 07:49:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 17:13:54.228085
• Title: SFS-A68: a dataset for the segmentation of space functions in apartment buildings
• Title（参考訳）: SFS-A68 集合住宅における空間機能のセグメンテーションのためのデータセット
• Authors: Amir Ziaee and Georg Suter
• Abstract要約: 深層学習(DL)画像分割法の空間関数分類への応用は研究されていない。 本稿では,68のディジタル3Dモデルから得られた入力と地上の真理画像からなるSFS-A68について述べる。 我々は,このデータセットを用いて,移動学習とスクラッチからのトレーニングに基づいて,実験空間関数セグメンテーションネットワークを訓練し,評価する。
• 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: Analyzing building models for usable area, building safety, or energy analysis requires function classification data of spaces and related objects. Automated space function classification is desirable to reduce input model preparation effort and errors. Existing space function classifiers use space feature vectors or space connectivity graphs as input. The application of deep learning (DL) image segmentation methods to space function classification has not been studied. As an initial step towards addressing this gap, we present a dataset, SFS-A68, that consists of input and ground truth images generated from 68 digital 3D models of space layouts of apartment buildings. The dataset is suitable for developing DL models for space function segmentation. We use the dataset to train and evaluate an experimental space function segmentation network based on transfer learning and training from scratch. Test results confirm the applicability of DL image segmentation for space function classification. The code and the dataset of the experiments are publicly available online (https://github.com/A2Amir/SFS-A68).
• Abstract（参考訳）: 使用可能な領域、建築安全性、エネルギー分析のための建築モデルの解析には、空間と関連するオブジェクトの関数分類データが必要である。 空間関数の自動分類は入力モデル作成の労力と誤差を低減するために望ましい。 既存の空間関数分類器は空間特徴ベクトルまたは空間接続グラフを入力として使用する。 深層学習(DL)画像分割法の空間関数分類への応用は研究されていない。 このギャップに対処するための最初のステップとして,68のディジタル3次元空間配置モデルから生成された入力と地上の真実画像からなるデータセットSFS-A68を提案する。 このデータセットは空間関数セグメンテーションのためのDLモデルの開発に適している。 このデータセットを用いて,scratchから転送学習とトレーニングに基づいて,実験的な空間関数分割ネットワークを訓練し,評価する。 実験結果は,空間関数分類におけるDL画像分割の適用性を確認した。 実験のコードとデータセットはオンラインで公開されている(https://github.com/A2Amir/SFS-A68)。

関連論文リスト

• Open-Vocabulary Octree-Graph for 3D Scene Understanding [54.11828083068082]
  Octree-Graphはオープンな3Dシーン理解のための新しいシーン表現である。 セマンティクスを記憶し、その形状に応じてオブジェクトの占有度を調節するアダプティブ・オクツリー構造を開発する。
  論文  参考訳（メタデータ） (2024-11-25T10:14:10Z)
• X-3D: Explicit 3D Structure Modeling for Point Cloud Recognition [73.0588783479853]
  X-3Dは明示的な3D構造モデリング手法である。 入力された3D空間内の明示的な局所構造情報をキャプチャする。 現在の局所領域内のすべての近傍点に対して共有重みを持つ動的カーネルを生成する。
  論文  参考訳（メタデータ） (2024-04-23T13:15:35Z)
• SAGC-A68: a space access graph dataset for the classification of spaces and space elements in apartment buildings [0.0]
  集合住宅の空間配置の68ディジタル3Dモデルから自動生成されるアクセスグラフを含むデータセットSAGC-A68を導入する。 このグラフベースのデータセットは、空間関数と空間要素分類のためのGDLモデルの開発に適している。 データセットの可能性を実証するために、22の空間関数と6つの空間要素クラスを予測するグラフアテンションネットワーク(GAT)をトレーニングし、評価する。
  論文  参考訳（メタデータ） (2023-07-10T12:22:08Z)
• An Integral Projection-based Semantic Autoencoder for Zero-Shot Learning [0.46644955105516456]
  ゼロショット学習(ZSL)分類は、トレーニングセットに含まれないクラス(ラベル)を分類または予測する(見えないクラス)。 近年の研究では、エンコーダが視覚的特徴空間をセマンティック空間に埋め込み、デコーダが元の視覚的特徴空間を再構成する、異なる意味的オートエンコーダ(SAE)モデルが提案されている。 本稿では,意味空間でベクトル化された視覚的特徴空間を潜在表現空間に投影する統合投影型セマンティックオートエンコーダ(IP-SAE)を提案する。
  論文  参考訳（メタデータ） (2023-06-26T12:06:20Z)
• Local transfer learning from one data space to another [0.0]
  1つのデータ空間上の関数をもう1つのデータ空間に持ち上げることで、新しいデータセット上の関数を近似することができることを示す。 我々は、リフトが定義できる対象データ空間のサブセットを決定することに興味を持ち、関数の局所的滑らかさとそのリフトの関連性について述べる。
  論文  参考訳（メタデータ） (2023-02-01T00:46:43Z)
• Searching a High-Performance Feature Extractor for Text Recognition Network [92.12492627169108]
  優れた特徴抽出器を持つための原理を探求し,ドメイン固有の検索空間を設計する。 空間は巨大で複雑な構造であるため、既存のNASアルゴリズムを適用することはできない。 本研究では,空間内を効率的に探索する2段階のアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-27T03:49:04Z)
• Contrastive Neighborhood Alignment [81.65103777329874]
  本稿では,学習特徴のトポロジを維持するための多様体学習手法であるContrastive Neighborhood Alignment(CNA)を提案する。 対象モデルは、対照的な損失を用いて、ソース表現空間の局所構造を模倣することを目的としている。 CNAは3つのシナリオで説明される: 多様体学習、モデルが元のデータの局所的なトポロジーを次元還元された空間で維持する、モデル蒸留、小さな学生モデルがより大きな教師を模倣するために訓練される、レガシーモデル更新、より強力なモデルに置き換えられる、という3つのシナリオである。
  論文  参考訳（メタデータ） (2022-01-06T04:58:31Z)
• Learning optimally separated class-specific subspace representations using convolutional autoencoder [0.0]
  サブスペース固有の特徴表現を生成するための新しい畳み込みオートエンコーダアーキテクチャを提案する。 提案手法の有効性を実証するため,最先端の機械学習データセットを用いていくつかの実験を行った。
  論文  参考訳（メタデータ） (2021-05-19T00:45:34Z)
• Switch Spaces: Learning Product Spaces with Sparse Gating [48.591045282317424]
  製品空間における表現を学習するためのデータ駆動アプローチであるswitch spacesを提案する。 我々は空間の選択、結合、切り替えを学習するスパースゲーティング機構を導入する。 知識グラフの補完と項目レコメンデーションの実験により,提案したスイッチ空間が新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-02-17T11:06:59Z)
• Generative Model-driven Structure Aligning Discriminative Embeddings for Transductive Zero-shot Learning [21.181715602603436]
  本稿では、潜在空間における視覚的および意味的なデータを整列する投影関数を学習するためのニューラルネットワークに基づくモデルを提案する。 AWA1, AWA2, CUB, SUN, FLOなどの標準ベンチマークデータセットにおいて, 優れた性能を示す。 また,ラベル付きデータ構造が極めて少ない場合においても,モデルの有効性を示す。
  論文  参考訳（メタデータ） (2020-05-09T18:48:20Z)
• Deep Metric Structured Learning For Facial Expression Recognition [58.7528672474537]
  本研究では,よく定義された構造を持つ組込み部分空間を作成するための深度計量学習モデルを提案する。 これらの部分空間を作成するために、出力空間上にガウス構造を課す新しい損失関数が導入された。 学習した埋め込みは,表現検索や感情認識など,様々な応用に有効であることが実験的に実証された。
  論文  参考訳（メタデータ） (2020-01-18T06:23:18Z)

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。