論文の概要: SAGC-A68: a space access graph dataset for the classification of spaces
and space elements in apartment buildings
- arxiv url: http://arxiv.org/abs/2307.04515v1
- Date: Mon, 10 Jul 2023 12:22:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 13:11:50.213798
- Title: SAGC-A68: a space access graph dataset for the classification of spaces
and space elements in apartment buildings
- Title（参考訳）: SAGC-A68 集合住宅における空間と空間要素の分類のための空間アクセスグラフデータセット
- Authors: Amir Ziaee, Georg Suter
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The analysis of building models for usable area, building safety, and energy
use requires accurate classification data of spaces and space elements. To
reduce input model preparation effort and errors, automated classification of
spaces and space elements is desirable. A barrier hindering the utilization of
Graph Deep Learning (GDL) methods to space function and space element
classification is a lack of suitable datasets. To bridge this gap, we introduce
a dataset, SAGC-A68, which comprises access graphs automatically generated from
68 digital 3D models of space layouts of apartment buildings. This graph-based
dataset is well-suited for developing GDL models for space function and space
element classification. To demonstrate the potential of the dataset, we employ
it to train and evaluate a graph attention network (GAT) that predicts 22 space
function and 6 space element classes. The dataset and code used in the
experiment are available online. https://doi.org/10.5281/zenodo.7805872,
https://github.com/A2Amir/SAGC-A68.
- Abstract（参考訳）: 使用可能な領域、建築安全、エネルギー使用のための建築モデルの解析には、空間と空間要素の正確な分類データが必要である。
入力モデル作成の労力と誤差を減らすためには、空間と空間要素の自動分類が望ましい。
グラフディープラーニング(GDL)手法を空間関数や空間要素分類に活用することを妨げる障壁は、適切なデータセットの欠如である。
このギャップを埋めるために,68のディジタル3次元空間配置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。
実験で使用されたデータセットとコードはオンラインで入手できる。
https://doi.org/10.5281/zenodo.7805872, https://github.com/A2Amir/SAGC-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) - Topology-aware Reinforcement Feature Space Reconstruction for Graph Data [22.5530178427691]
優れた機能領域の再構築は、データのAI能力の向上、モデルの一般化の改善、下流MLモデルの可用性の向上に不可欠である。
我々は、トポロジ対応強化学習を用いて、グラフデータの特徴空間再構成を自動化し、最適化する。
提案手法では,コア部分グラフ抽出とグラフニューラルネットワーク(GNN)の併用により,トポロジ的特徴を符号化し,計算複雑性を低減する。
論文 参考訳（メタデータ） (2024-11-08T18:01:05Z) - 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) - Localised Adaptive Spatial-Temporal Graph Neural Network [17.707594255626216]
Adaptive Graph Sparsification (AGS) は、ASTGNNの局所化を極端に実現するグラフスカラー化アルゴリズムである。
ASTGNNの空間グラフは、テスト精度を低下させることなく99.5%以上のスペーサー化することができる。
ASTGNNの局所化は、大規模な時空間データに必要とされる重いオーバーヘッドを減らす可能性を秘めている。
論文 参考訳（メタデータ） (2023-06-12T08:08:53Z) - Learning Structure Aware Deep Spectral Embedding [11.509692423756448]
本稿では, スペクトル埋込み損失と構造保存損失を組み合わせ, 深層スペクトルの埋込みを考慮した新しい構造解析手法を提案する。
両タイプの情報を同時に符号化し,構造認識型スペクトル埋め込みを生成するディープニューラルネットワークアーキテクチャを提案する。
提案アルゴリズムは,公開されている6つの実世界のデータセットを用いて評価する。
論文 参考訳（メタデータ） (2023-05-14T18:18:05Z) - SupeRGB-D: Zero-shot Instance Segmentation in Cluttered Indoor
Environments [67.34330257205525]
本研究では,RGB-Dデータからゼロショットのインスタンスセグメンテーション(ZSIS)を探索し,意味的カテゴリに依存しない方法で未知のオブジェクトを識別する。
本稿では,注釈付きオブジェクトを用いて画素のオブジェクト性」を学習し,乱雑な屋内環境における未知のオブジェクトカテゴリに一般化する手法を提案する。
論文 参考訳（メタデータ） (2022-12-22T17:59:48Z) - SFS-A68: a dataset for the segmentation of space functions in apartment
buildings [0.0]
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。
論文 参考訳（メタデータ） (2022-09-13T07:49:54Z) - A Spacecraft Dataset for Detection, Segmentation and Parts Recognition [42.27081423489484]
本稿では,宇宙船検出,インスタンスのセグメンテーション,部分認識のためのデータセットをリリースする。
この研究の主な貢献は、宇宙ステーションと衛星の画像を用いたデータセットの開発である。
また、データセットのベンチマークとして、オブジェクト検出やインスタンスセグメンテーションにおける最先端の手法による評価も提供する。
論文 参考訳（メタデータ） (2021-06-15T14:36:56Z) - 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) - Learnable Subspace Clustering [76.2352740039615]
本研究では,大規模サブスペースクラスタリング問題を効率的に解くために,学習可能なサブスペースクラスタリングパラダイムを開発する。
鍵となる考え方は、高次元部分空間を下層の低次元部分空間に分割するパラメトリック関数を学ぶことである。
我々の知る限り、本論文は、サブスペースクラスタリング手法の中で、数百万のデータポイントを効率的にクラスタ化する最初の試みである。
論文 参考訳（メタデータ） (2020-04-09T12:53:28Z) - Analyzing the Dependency of ConvNets on Spatial Information [81.93266969255711]
本稿では,空間シャッフルとGAP+FCを用いて,学習段階とテスト段階の両方で空間情報を破壊する手法を提案する。
空間情報は、後続の層から小さな性能低下で削除できることを観察する。
論文 参考訳（メタデータ） (2020-02-05T15:22:32Z)
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。