論文の概要: SSIG: A Visually-Guided Graph Edit Distance for Floor Plan Similarity
- arxiv url: http://arxiv.org/abs/2309.04357v1
- Date: Fri, 8 Sep 2023 14:28:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-11 13:12:13.429121
- Title: SSIG: A Visually-Guided Graph Edit Distance for Floor Plan Similarity
- Title（参考訳）: SSIG:フロアプランの類似性のためのビジュアルガイド付きグラフ編集距離
- Authors: Casper van Engelenburg, Seyran Khademi, Jan van Gemert
- Abstract要約: 建築フロアプランの視覚的事例間の構造的類似度を測定するための簡易で効果的な尺度を提案する。
本稿では,S SIGと呼ばれる床図の構造的類似性を評価するための有効評価指標を提案する。
- 参考スコア（独自算出の注目度）: 11.09257948735229
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We propose a simple yet effective metric that measures structural similarity
between visual instances of architectural floor plans, without the need for
learning. Qualitatively, our experiments show that the retrieval results are
similar to deeply learned methods. Effectively comparing instances of floor
plan data is paramount to the success of machine understanding of floor plan
data, including the assessment of floor plan generative models and floor plan
recommendation systems. Comparing visual floor plan images goes beyond a sole
pixel-wise visual examination and is crucially about similarities and
differences in the shapes and relations between subdivisions that compose the
layout. Currently, deep metric learning approaches are used to learn a
pair-wise vector representation space that closely mimics the structural
similarity, in which the models are trained on similarity labels that are
obtained by Intersection-over-Union (IoU). To compensate for the lack of
structural awareness in IoU, graph-based approaches such as Graph Matching
Networks (GMNs) are used, which require pairwise inference for comparing data
instances, making GMNs less practical for retrieval applications. In this
paper, an effective evaluation metric for judging the structural similarity of
floor plans, coined SSIG (Structural Similarity by IoU and GED), is proposed
based on both image and graph distances. In addition, an efficient algorithm is
developed that uses SSIG to rank a large-scale floor plan database. Code will
be openly available.
- Abstract（参考訳）: 学習を必要とせず,建築床計画の視覚的インスタンス間の構造的類似性を測定する簡易かつ効果的な指標を提案する。
定性的には, 結果が深層学習手法と類似していることを示す。
効果的にフロアプランデータを比較することは、フロアプラン生成モデルやフロアプラン推薦システムの評価を含むフロアプランデータの機械的理解の成功に最重要である。
視覚的なフロアプラン画像を比較することは、ピクセル単位の視覚検査以上のもので、レイアウトを構成するサブディビジョン間の形状と関係の類似性や相違を重要視する。
現在、深度距離学習アプローチは、モデルがIoU(Intersection-over-Union)によって得られる類似性ラベルに基づいて訓練される構造的類似性を忠実に模倣したペアワイズベクトル表現空間を学習するために用いられる。
IoUにおける構造認識の欠如を補うために、グラフマッチングネットワーク(GMN)のようなグラフベースのアプローチが使われており、データインスタンスの比較に一対の推論を必要とするため、検索アプリケーションではGMNが実用的でない。
本稿では,床計画の構造的類似性を評価するための有効な評価指標として,画像とグラフの距離からssig(iouとgedによる構造的類似性)を提案する。
さらに,SSIGを用いて大規模フロアプランデータベースのランク付けを行うアルゴリズムを開発した。
コードは公開されます。
関連論文リスト
- A simple way to learn metrics between attributed graphs [11.207372645301094]
トレーニング可能なパラメータがほとんどないSGMLモデルを提案する。
このモデルにより、ラベル付き(分散)グラフのデータベースから適切な距離を構築することができ、単純な分類アルゴリズムの性能を向上させることができる。
論文 参考訳（メタデータ） (2022-09-26T14:32:38Z) - Attributable Visual Similarity Learning [90.69718495533144]
本稿では、画像間のより正確で説明可能な類似度測定のための帰属的視覚類似度学習(AVSL)フレームワークを提案する。
人間の意味的類似性認知に動機づけられた2つの画像とグラフとの類似性を表現するために,一般化された類似性学習パラダイムを提案する。
CUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、既存の深い類似性学習方法よりも大幅に改善されたことを示している。
論文 参考訳（メタデータ） (2022-03-28T17:35:31Z) - ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial
Multi-View Clustering [52.491074276133325]
部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。
提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
論文 参考訳（メタデータ） (2022-03-01T02:32:25Z) - Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。
グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文 参考訳（メタデータ） (2022-01-05T02:14:57Z) - 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) - Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。
本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。
提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文 参考訳（メタデータ） (2021-08-15T13:14:28Z) - A Domain-Oblivious Approach for Learning Concise Representations of
Filtered Topological Spaces [7.717214217542406]
本稿では永続化図のバイナリコード表現を学習する永続化図ハッシュフレームワークを提案する。
このフレームワークは、学習過程を制御するための図距離損失関数を備えた生成逆ネットワーク(GAN)上に構築されている。
提案手法は,モデルの再学習を必要とせずに,様々なデータセットに直接適用することができる。
論文 参考訳（メタデータ） (2021-05-25T20:44:28Z) - Graph-Based Generative Representation Learning of Semantically and
Behaviorally Augmented Floorplans [12.488287536032747]
本稿では,アトリビュートグラフを用いて幾何学的情報を表現するフロアプラン埋め込み手法と,ノード属性やエッジ属性として住民のセマンティクスや行動特徴をデザインする手法を提案する。
長短期記憶(LSTM)変動オートエンコーダ(VAE)アーキテクチャを提案し,連続空間に属性グラフをベクトルとして埋め込むように訓練した。
入力に対する埋め込み空間から得られた類似のフロアプランの結合度を評価するために,ユーザ調査を行った。
論文 参考訳（メタデータ） (2020-12-08T20:51:56Z) - Hallucinative Topological Memory for Zero-Shot Visual Planning [86.20780756832502]
視覚計画(VP)では、エージェントは、オフラインで取得した動的システムの観察から目標指向の振る舞いを計画することを学ぶ。
以前のVPに関するほとんどの研究は、学習された潜在空間で計画することでこの問題にアプローチし、結果として品質の低い視覚計画を生み出した。
本稿では,画像空間を直接計画し,競合性能を示すシンプルなVP手法を提案する。
論文 参考訳（メタデータ） (2020-02-27T18:54:42Z)
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。