論文の概要: A Geometric-Relational Deep Learning Framework for BIM Object Classification

• arxiv url: http://arxiv.org/abs/2212.00942v1
• Date: Fri, 2 Dec 2022 03:04:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 16:50:25.841955
• Title: A Geometric-Relational Deep Learning Framework for BIM Object Classification
• Title（参考訳）: bimオブジェクト分類のための幾何関係深層学習フレームワーク
• Authors: Hairong Luo, Ge Gao, Han Huang, Ziyi Ke, Cheng Peng, Ming Gu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.685397235316664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interoperability issue is a significant problem in Building Information Modeling (BIM). Object type, as a kind of critical semantic information needed in multiple BIM applications like scan-to-BIM and code compliance checking, also suffers when exchanging BIM data or creating models using software of other domains. It can be supplemented using deep learning. Current deep learning methods mainly learn from the shape information of BIM objects for classification, leaving relational information inherent in the BIM context unused. To address this issue, we introduce a two-branch geometric-relational deep learning framework. It boosts previous geometric classification methods with relational information. We also present a BIM object dataset IFCNet++, which contains both geometric and relational information about the objects. Experiments show that our framework can be flexibly adapted to different geometric methods. And relational features do act as a bonus to general geometric learning methods, obviously improving their classification performance, thus reducing the manual labor of checking models and improving the practical value of enriched BIM models.
• Abstract（参考訳）: 相互運用性問題はビルディング情報モデリング(BIM)において重要な問題である。 オブジェクトタイプは、スキャン・トゥ・BIMやコードコンプライアンス・チェックのような複数のBIMアプリケーションで必要とされる重要な意味情報の一種であり、BIMデータを交換したり、他のドメインのソフトウェアを使ってモデルを作成する際にも悩まされます。 深層学習で補うことができる。 現在の深層学習法は主に分類のためのBIMオブジェクトの形状情報から学習し、BIMコンテキストに固有の関係情報を未使用のまま残している。 この問題に対処するために,二分岐幾何関係深層学習フレームワークを提案する。 従来の幾何学的分類法を関係情報で強化する。 また,オブジェクトに関する幾何学的情報と関係情報の両方を含むbimオブジェクトデータセットifcnet++を提案する。 実験により, 異なる幾何学的手法に柔軟に適用できることを示した。 リレーショナル機能は一般的な幾何学的学習手法のボーナスとして機能し、その分類性能が明らかに向上し、チェックモデルのマニュアル作業が軽減され、リッチなBIMモデルの実用的価値が向上する。

関連論文リスト

• LLM-assisted Explicit and Implicit Multi-interest Learning Framework for Sequential Recommendation [50.98046887582194]
  本研究では,ユーザの興味を2つのレベル – 行動と意味論 – でモデル化する,明示的で暗黙的な多目的学習フレームワークを提案する。 提案するEIMFフレームワークは,小型モデルとLLMを効果的に組み合わせ,多目的モデリングの精度を向上させる。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• A Plug-and-Play Method for Rare Human-Object Interactions Detection by Bridging Domain Gap [50.079224604394]
  textbfContext-textbfEnhanced textbfFeature textbfAment (CEFA) と呼ばれる新しいモデルに依存しないフレームワークを提案する。 CEFAは機能アライメントモジュールとコンテキスト拡張モジュールで構成される。 本手法は, 稀なカテゴリにおけるHOIモデルの検出性能を向上させるために, プラグアンドプレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2024-07-31T08:42:48Z)
• Contextualized Structural Self-supervised Learning for Ontology Matching [0.9402105308876642]
  我々はLaKERMapと呼ばれる新しい自己教師型学習フレームワークを導入する。 LaKERMapは暗黙の知識をトランスフォーマーに統合することで、概念の文脈的および構造的情報を活用する。 我々の革新的なアプローチから得られた知見は、LaKERMapがアライメント品質と推論時間で最先端のシステムを上回っていることを示している。
  論文  参考訳（メタデータ） (2023-10-05T18:51:33Z)
• A Hybrid Semantic-Geometric Approach for Clutter-Resistant Floorplan Generation from Building Point Clouds [2.0859227544921874]
  本研究では,レーザ走査型ビルディングポイント雲からのクラッタ耐性フロアプラン生成のためのハイブリッドセマンティック・ジオメトリ手法を提案する。 提案手法は,精度,リコール,インターセクション・オーバー・ユニオン(IOU),ベティ誤差,ワープ誤差の計測値を用いて評価する。
  論文  参考訳（メタデータ） (2023-05-15T20:08:43Z)
• Multi-Modal Fusion by Meta-Initialization [0.0]
  モデル非依存メタラーニングアルゴリズム(MAML)の拡張を提案する。 これにより、モデルが補助情報とタスクエクスペリエンスを使って適応することが可能になる。 FuMIは、MAMLのようなユニモーダルベースラインを数発で上回っている。
  論文  参考訳（メタデータ） (2022-10-10T17:00:58Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• DONet: Learning Category-Level 6D Object Pose and Size Estimation from Depth Observation [53.55300278592281]
  単一深度画像からカテゴリレベルの6次元オブジェクト・ポースとサイズ推定(COPSE)を提案する。 筆者らのフレームワークは,深度チャネルのみの物体のリッチな幾何学的情報に基づいて推論を行う。 我々のフレームワークは、ラベル付き現実世界の画像を必要とする最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-06-27T10:41:50Z)
• IFCNet: A Benchmark Dataset for IFC Entity Classification [0.0]
  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。
  論文  参考訳（メタデータ） (2021-06-17T17:59:00Z)
• Continuous Surface Embeddings [76.86259029442624]
  我々は、変形可能な対象カテゴリーにおける密接な対応を学習し、表現するタスクに焦点をあてる。 本稿では,高密度対応の新たな学習可能な画像ベース表現を提案する。 提案手法は,人間の身近なポーズ推定のための最先端手法と同等以上の性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-11-24T22:52:15Z)
• Information Theoretic Meta Learning with Gaussian Processes [74.54485310507336]
  情報理論の概念,すなわち相互情報と情報のボトルネックを用いてメタ学習を定式化する。 相互情報に対する変分近似を用いることで、メタ学習のための汎用的かつトラクタブルな枠組みを導出する。
  論文  参考訳（メタデータ） (2020-09-07T16:47:30Z)

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。