論文の概要: Unified Network-Based Representation of BIM Models for Embedding Semantic, Spatial, and Topological Data

• arxiv url: http://arxiv.org/abs/2505.22670v1
• Date: Thu, 08 May 2025 01:01:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-01 23:16:01.469737
• Title: Unified Network-Based Representation of BIM Models for Embedding Semantic, Spatial, and Topological Data
• Title（参考訳）: 意味的・空間的・トポロジ的データの埋め込みのためのBIMモデルの統一的ネットワークベース表現
• Authors: Jin Han, Xin-Zheng Lu, Jia-Rui Lin,
• Abstract要約: 建築情報モデリングは、そのライフサイクルを通して建築構造の包括的なデジタル表現を提供することによって、建設業界に革命をもたらした。 既存の研究では、BIMモデルにおけるコンポーネント間の複雑な空間的および位相的関係を捉える効果的な方法が欠如している。 本研究では,BIMモデルの「意味空間的トポロジ的」多次元設計特徴を統合した統合型ネットワークベース表現法を提案する。
• 参考スコア（独自算出の注目度）: 7.45961004529471
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Building Information Modeling (BIM) has revolutionized the construction industry by providing a comprehensive digital representation of building structures throughout their lifecycle. However, existing research lacks effective methods for capturing the complex spatial and topological relationships between components in BIM models, which are essential for understanding design patterns and enhancing decision-making. This study proposes a unified network-based representation method that integrates the "semantic-spatial-topological" multi-dimensional design features of BIM models. By extending the IFC (Industry Foundation Classes) standard, we introduce local spatial relationships and topological connections between components to enrich the network structure. This representation method enables a more detailed understanding of component interactions, dependencies, and implicit design patterns, effectively capturing the semantic, topological, and spatial relationships in BIM, and holds significant potential for the representation and learning of design patterns.
• Abstract（参考訳）: ビル情報モデリング (Building Information Modeling, BIM) は、そのライフサイクルを通して建築構造の包括的なデジタル表現を提供することによって、建設業界に革命をもたらした。 しかし,既存の研究では,BIMモデルにおけるコンポーネント間の複雑な空間的・トポロジ的関係を捉えるための効果的な手法が欠如しており,設計パターンの理解と意思決定の強化に不可欠である。 本研究では,BIMモデルの「意味空間的トポロジ的」多次元設計特徴を統合した統合型ネットワークベース表現法を提案する。 IFC (Industry Foundation Classes) 標準を拡張して, ネットワーク構造を充実させるために, コンポーネント間の局所空間関係とトポロジ的接続を導入する。 この表現方法は、コンポーネント間の相互作用、依存関係、暗黙的なデザインパターンのより詳細な理解を可能にし、BIMにおける意味的、トポロジ的、空間的関係を効果的に捉え、デザインパターンの表現と学習に有意義な可能性を秘めている。

関連論文リスト

• Mesh Mamba: A Unified State Space Model for Saliency Prediction in Non-Textured and Textured Meshes [50.23625950905638]
  メッシュサリエンシは、自然に視覚的注意を引き付ける領域を特定して強調することにより、3D視覚の適応性を高める。 状態空間モデル (SSM) に基づく統合唾液度予測モデルであるメッシュ・マンバを導入する。 Mesh Mambaは、トポロジカルフレームワークにテクスチャ機能をシームレスに組み込んだまま、メッシュの幾何学的構造を効果的に分析する。
  論文  参考訳（メタデータ） (2025-04-02T08:22:25Z)
• Data Spatial Programming [2.8374498376407877]
  オブジェクト指向プログラミング(OOP)のセマンティクスを拡張する新しいプログラミングモデルであるデータ空間プログラミングを導入する。 このトポロジカル空間におけるデータ要素間の関係を形式化することにより、我々のアプローチは複雑なシステムのより直感的なモデリングを可能にする。 このパラダイムは、エージェントベースのシステム、ソーシャルネットワーク、リレーショナルデータ処理、ニューラルネットワーク、分散システム、有限状態マシン、その他の空間指向の計算問題など、コンピュータ科学における幅広い問題を表現する際に、従来のOOPの制限に対処する。
  論文  参考訳（メタデータ） (2025-03-20T02:55:40Z)
• A Survey of Model Architectures in Information Retrieval [64.75808744228067]
  機能抽出のためのバックボーンモデルと、関連性推定のためのエンドツーエンドシステムアーキテクチャの2つの重要な側面に焦点を当てる。 従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。 我々は、パフォーマンスとスケーラビリティのアーキテクチャ最適化、マルチモーダル、マルチランガルデータの処理、従来の検索パラダイムを超えた新しいアプリケーションドメインへの適応など、新たな課題と今後の方向性について議論することで結論付けた。
  論文  参考訳（メタデータ） (2025-02-20T18:42:58Z)
• Conformable Convolution for Topologically Aware Learning of Complex Anatomical Structures [38.20599800950335]
  トポロジ的一貫性を明示するために設計された新しい畳み込み層であるConformable Convolutionを紹介する。 Topological Posterior Generator (TPG)モジュールは、重要なトポロジ的特徴を特定し、畳み込み層をガイドする。 本稿では,構造物の相互接続性維持が重要となるセグメンテーション作業におけるフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2024-12-29T22:41:33Z)
• Interpretable deformable image registration: A geometric deep learning perspective [9.13809412085203]
  解釈可能な登録フレームワークを設計するための理論的基盤を提示する。 粗い方法で変換を洗練するエンドツーエンドのプロセスを定式化します。 我々は、最先端のアプローチよりもパフォーマンスの指標が大幅に改善されたと結論付けている。
  論文  参考訳（メタデータ） (2024-12-17T19:47:10Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)

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。