論文の概要: FoldingNet Autoencoder model to create a geospatial grouping of CityGML building dataset

• arxiv url: http://arxiv.org/abs/2212.13965v2
• Date: Mon, 9 Oct 2023 18:57:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-13 15:28:59.088558
• Title: FoldingNet Autoencoder model to create a geospatial grouping of CityGML building dataset
• Title（参考訳）: FoldingNet AutoencoderモデルによるCityGML構築データセットの地理空間的グループ化
• Authors: Deepank Verma, Olaf Mumm, Vanessa Miriam Carlow
• Abstract要約: 本研究では、3DオートエンコーダであるFoldingNetを用いて、LoD 2 CityGMLデータセットから各建物の潜在表現を生成する。 埋め込みの有効性は,データセット再構成,潜時拡散可視化,階層クラスタリング手法によって分析される。 建物の地理的グループ化を反復的に見つけるために地理空間モデルを作成する。
• 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: Explainable numerical representations or latent information of otherwise complex datasets are more convenient to analyze and study. These representations assist in identifying clusters and outliers, assess similar data points, and explore and interpolate data. Dataset of three-dimensional (3D) building models possesses inherent complexity in various footprint shapes, distinct roof types, walls, height, and volume. Traditionally, grouping similar buildings or 3D shapes requires matching their known properties and shape metrics with each other. However, this requires obtaining a plethora of such properties to calculate similarity. This study, in contrast, utilizes an autoencoder to compute the shape information in a fixed-size vector form that can be compared and grouped with the help of distance metrics. The study uses 'FoldingNet,' a 3D autoencoder, to generate the latent representation of each building from the obtained LoD 2 CityGML dataset. The efficacy of the embeddings obtained from the autoencoder is further analyzed by dataset reconstruction, latent spread visualization, and hierarchical clustering methods. While the clusters give an overall perspective of the type of build forms, they do not include geospatial information in the clustering. A geospatial model is therefore created to iteratively find the geographical groupings of buildings using cosine similarity approaches in embedding vectors. The German federal states of Brandenburg and Berlin are taken as an example to test the methodology. The output provides a detailed overview of the build forms in the form of semantic topological clusters and geographical groupings. This approach is beneficial and scalable for complex analytics, e.g., in large urban simulations, urban morphological studies, energy analysis, or evaluations of building stock.
• Abstract（参考訳）: 複雑なデータセットの説明可能な数値表現や潜在情報の方が解析や研究に便利である。 これらの表現は、クラスタと外れ値の識別、類似したデータポイントの評価、データの探索と補間を支援する。 3次元建築モデルのデータセットは、様々なフットプリント形状、異なる屋根の種類、壁、高さ、体積に固有の複雑さを持っている。 伝統的に、類似した建物や3D形状をグループ化するには、既知の特性と形状のメトリクスをマッチングする必要がある。 しかし、これは類似性を計算するためにそのような性質の多元性を得る必要がある。 対照的に、この研究ではオートエンコーダを用いて、距離メトリクスの助けを借りて比較、グループ化できる固定サイズのベクトル形式の形状情報を算出する。 この研究は、3DオートエンコーダであるFoldingNetを使用して、得られたLoD 2 CityGMLデータセットから各建物の潜在表現を生成する。 さらに, 自動エンコーダから得られる埋め込みの有効性を, データセット再構成, 潜伏拡散可視化, 階層クラスタリング手法を用いて解析した。 クラスタはビルドフォームのタイプに関する全体的な視点を提供するが、クラスタリングには地理空間情報が含まれない。 したがって、ジオ空間モデルは、埋め込みベクトルにおけるコサイン類似性アプローチを用いて、建物の地理的グループ化を反復的に見つけるために作成される。 ブランデンブルクとベルリンのドイツ連邦は、この方法論を試すための例として挙げられている。 アウトプットは、セマンティックトポロジカルクラスタと地理的グルーピングという形式で、ビルドフォームの詳細な概要を提供する。 このアプローチは、大規模な都市シミュレーション、都市形態学的研究、エネルギー分析、建築資材の評価など、複雑な分析に有用でスケーラブルである。

関連論文リスト

• (Deep) Generative Geodesics [57.635187092922976]
  2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。 我々の計量は、生成距離と生成測地学の概念的定義に繋がる。 彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
  論文  参考訳（メタデータ） (2024-07-15T21:14:02Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified Visual Modalities [69.16656086708291]
  拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。 本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。 モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
  論文  参考訳（メタデータ） (2023-05-24T03:32:03Z)
• repliclust: Synthetic Data for Cluster Analysis [0.0]
  repliclustは、クラスタで合成データセットを生成するPythonパッケージである。 プロジェクトのWebページである repliclust.org は、簡潔なユーザガイドと詳細なドキュメントを提供する。
  論文  参考訳（メタデータ） (2023-03-24T23:45:27Z)
• BuildingNet: Learning to Label 3D Buildings [19.641000866952815]
  BuildingNet: (a)外装が一貫してラベル付けされている大規模な3Dビルディングモデル、(b)幾何学的プリミティブの分析と構造的関係をビルディングにラベル付けするニューラルネットワーク。 データセットは、家、教会、高層ビル、市役所、城などのカテゴリをカバーしている。
  論文  参考訳（メタデータ） (2021-10-11T01:45:26Z)
• Learning Feature Aggregation for Deep 3D Morphable Models [57.1266963015401]
  階層レベルで機能集約を向上するためのマッピング行列を学習するための注意に基づくモジュールを提案する。 実験の結果,マッピング行列のエンドツーエンドトレーニングにより,様々な3次元形状データセットの最先端結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-05-05T16:41:00Z)
• Joint Geometric and Topological Analysis of Hierarchical Datasets [7.098759778181621]
  本稿では,複数の階層的データセットに整理された高次元データに注目する。 この研究の主な新規性は、トポロジカルデータ分析と幾何多様体学習という、2つの強力なデータ分析アプローチの組み合わせにある。 本手法は, 最新手法と比較して優れた分類結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-04-03T13:02:00Z)
• BRepNet: A topological message passing system for solid models [6.214548392474976]
  境界表現(B-rep)モデルは、コンピュータ支援設計(CAD)アプリケーションで3D形状を記述する標準的な方法です。 我々は,B-repデータ構造を直接操作するように設計されたニューラルネットワークアーキテクチャであるBRepNetを紹介する。
  論文  参考訳（メタデータ） (2021-04-01T18:16:03Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)
• Shape-Oriented Convolution Neural Network for Point Cloud Analysis [59.405388577930616]
  ポイントクラウドは3次元幾何学情報符号化に採用されている主要なデータ構造である。 形状指向型メッセージパッシング方式であるShapeConvを提案する。
  論文  参考訳（メタデータ） (2020-04-20T16:11:51Z)

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。