論文の概要: Intelligent Detection of Mechanical, Electrical, and Plumbing (MEP) Metrics Based on 2D Floor Plans
- arxiv url: http://arxiv.org/abs/2608.14317v1
- Date: Fri, 14 Aug 2026 13:59:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.392157
- Title: Intelligent Detection of Mechanical, Electrical, and Plumbing (MEP) Metrics Based on 2D Floor Plans
- Title（参考訳）: 2次元床計画に基づくメカニカル, エレクトロ, プラミング(MEP)メトリクスのインテリジェント検出
- Abstract要約: 本研究では,2次元フロアプランから様々な情報を抽出するニューラルネットワークモデルを開発した。
照明シンボルを検出し、適切な種類の光を識別し、関連するテキストを光で抽出する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This research developed a neural network-based model to extract various information from 2D floor plans. We detect lighting symbols, identify the appropriate type of light, and extract the associated texts with lights. The study aims to enable efficient floor designing and determining the number and type of lights needed per floor, i.e., allow efficient design and estimate the power requirement of the floor plan. The model was developed using Mask RCNN as the base. The images were annotated and converted into a Coco data format for training the model. The model achieved bbox\_mAP and segm\_mAP values of 0.7596 and 0.7111, respectively. It also performed well at different IoU thresholds, i.e., with bbox\_mAP 50 and segm\_mAP 75 values of 0.9850 and 0.9219, respectively. The developed model will help various industries, such as architecture and construction, to improve design time and create efficient workflows by automatically detecting Mechanical, Electrical, and Plumbing (MEP) objects from floor plans, and it is the first step towards building tools that will help energy-efficient building design.
- Abstract（参考訳）: 本研究では,2次元フロアプランから様々な情報を抽出するニューラルネットワークモデルを開発した。
照明シンボルを検出し、適切な種類の光を識別し、関連するテキストを光で抽出する。
本研究の目的は,効率的なフロア設計と床1階当たりの照明の種類,すなわち効率的な設計を可能にし,フロア計画の電力要求を見積もることである。
このモデルはMask RCNNをベースとして開発された。
画像は注釈付けされ、モデルをトレーニングするためのCocoデータフォーマットに変換された。
bbox\_mAP と segm\_mAP はそれぞれ 0.7596 と 0.7111 である。
また、それぞれ0.9850と0.9219のbbox\_mAP 50とsegm\_mAP 75の値で、異なるIoU閾値でも良好に動作する。
開発モデルは、建築や建設などの様々な産業において、設計時間の改善と、機械、電気、配管(MEP)オブジェクトをフロアプランから自動的に検出し、効率的なワークフローを作成するのに役立ち、エネルギー効率の高い建築設計を支援するツール構築への第一歩となる。
関連論文リスト
- A Lightweight Library for Energy-Based Joint-Embedding Predictive Architectures [58.26804959656713]
JEPA(Joint-Embedding Predictive Architectures)を用いた表現と世界モデルを学習するためのオープンソースのライブラリであるEB-JEPAを提案する。
JEPAsは、ピクセル空間ではなく表現空間で予測することを学び、生成モデリングの落とし穴を避ける。
これらの表現がどのように行動条件付き世界モデルを駆動し、Two Roomsナビゲーションタスクで97%の計画成功率を達成するかを示す。
論文 参考訳（メタデータ） (2026-02-03T14:56:24Z) - HEP-JEPA: A foundation model for collider physics using joint embedding predictive architecture [0.0]
本稿では,高エネルギー粒子衝突器におけるタスクに対するトランスフォーマーアーキテクチャに基づく基礎モデルを提案する。
我々は,ジョイント・エンベディング予測アーキテクチャにインスパイアされた自己監督型戦略を用いて,ジェット機を分類するモデルを訓練する。
我々のモデルは、標準分類ベンチマークタスクのための他のデータセットと相性がいい。
論文 参考訳（メタデータ） (2025-02-06T10:16:27Z) - LatticeML: A data-driven application for predicting the effective Young Modulus of high temperature graph based architected materials [0.0]
この研究は、データ駆動型アプリケーションであるLatticeMLを、高温グラフベースの構造化材料の有効ヤング率を予測するためのものである。
この研究は、Ti-6Al-4VとInconel 625の2つの高温合金を用いたグラフベースの格子構造について考察した。
機械学習フレームワークは、データ収集、前処理、回帰モデルの実装、最高のパフォーマンスモデルの導入を含む、YoungのModulusを予測するために開発された。
論文 参考訳（メタデータ） (2024-04-15T05:50:46Z) - Semi-supervised Learning from Street-View Images and OpenStreetMap for
Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。
提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。
予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文 参考訳（メタデータ） (2023-07-05T18:16:30Z) - 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) - PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
我々は PDSketch という新しいドメイン定義言語を提案する。
これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。
移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
論文 参考訳（メタデータ） (2023-03-09T18:54:12Z) - ABODE-Net: An Attention-based Deep Learning Model for Non-intrusive
Building Occupancy Detection Using Smart Meter Data [5.732496048593952]
業務情報は、建築セクターの効率的なエネルギー管理に有用である。
スマートメーターによって収集された高解像度の電力消費データにより、非侵襲的な方法で建物の占有状況を推定することができる。
本稿では,ABODE-Netとよばれる深層傾きモデルを提案する。
論文 参考訳（メタデータ） (2022-12-21T22:37:42Z) - Automatic digital twin data model generation of building energy systems
from piping and instrumentation diagrams [58.720142291102135]
建物からP&IDのシンボルや接続を自動で認識する手法を提案する。
シンボル認識,線認識,およびデータセットへの接続の導出にアルゴリズムを適用する。
このアプローチは、制御生成、(分散)モデル予測制御、障害検出といった、さらなるプロセスで使用することができる。
論文 参考訳（メタデータ） (2021-08-31T15:09:39Z) - Energy-Efficient and Federated Meta-Learning via Projected Stochastic
Gradient Ascent [79.58680275615752]
エネルギー効率のよいメタラーニングフレームワークを提案する。
各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
論文 参考訳（メタデータ） (2021-05-31T08:15:44Z) - Learning to Generate Content-Aware Dynamic Detectors [62.74209921174237]
サンプル適応型モデルアーキテクチャを自動的に生成する効率的な検出器の設計を新たに導入する。
動的ルーティングの学習を導くために、オブジェクト検出に適したコースツーファインの成層図を紹介します。
MS-COCOデータセットの実験により、CADDetはバニラルーティングに比べて10%少ないFLOPで1.8以上のmAPを達成することが示された。
論文 参考訳（メタデータ） (2020-12-08T08:05:20Z) - A Sequential Modelling Approach for Indoor Temperature Prediction and
Heating Control in Smart Buildings [4.759925918369102]
本稿では,室内温度の予測にデータ駆動統計手法を逐次適用するための学習ベースフレームワークを提案する。
実験では、モデリングアプローチと制御アルゴリズムの有効性を実証し、スマートビルディングアプリケーションにおける混合データ駆動アプローチの有望な可能性を明らかにする。
論文 参考訳（メタデータ） (2020-09-21T13:20:27Z)
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。