論文の概要: Multimodal Cultural Heritage Architectural Style Classification for Residential Buildings in the UAE Based on CLIP Embeddings and SVM

• arxiv url: http://arxiv.org/abs/2609.17181v1
• Date: Tue, 15 Sep 2026 13:41:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.546878
• Title: Multimodal Cultural Heritage Architectural Style Classification for Residential Buildings in the UAE Based on CLIP Embeddings and SVM
• Title（参考訳）: CLIP埋め込みとSVMに基づくUAE住宅のマルチモーダル文化遺産建築様式分類
• Abstract要約: 本稿では,エミラティ住宅建築の分析と分類を行うマルチモーダル機械学習フレームワークを提案する。 画像からの視覚的特徴と専門家による記述からのテキスト的特徴を統合された512次元埋め込みに統合する。 文献の他のどの研究よりも高い8つの同定されたスタイルクラスタに対して,98%の分類精度を達成した。
• 参考スコア（独自算出の注目度）: 0.27998963147546146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The analysis and classification of cultural heritage architectural styles remain challenging due to the complexity of visual images of buildings, which are highly relied on in traditional CNN-based classification approaches in comparison to textual descriptions, and the relative lack of non-western region-specific datasets. This paper addresses this gap by proposing a multimodal machine learning framework to analyze and classify Emirati residential architecture using OpenAI's CLIP model. We integrate visual features from images and textual features from expert descriptions into a unified 512-dimensional embedding, followed by dimensionality reduction with UMAP for visualization and unsupervised clustering using K-Means. Cluster labels, which are derived from manual analysis of the K-Means clusters, are used to train an SVM classifier for automated architectural style classification. Our approach achieves a classification accuracy of 98% across eight identified style clusters, higher than every other study in the literature, demonstrating the effectiveness of combining visual and textual modalities. Overall, this paper highlights the potential of using multimodal AI to support architectural heritage analysis, offering scalable and interpretable tools for exploring regional architectural identities.
• Abstract（参考訳）: 文化遺産の建築様式の分析と分類は、従来のCNNに基づく分類手法に大きく依存している建築物の視覚イメージの複雑さと、西部地域固有のデータセットの相対的欠如により、依然として困難なままである。 本稿では,OpenAIのCLIPモデルを用いてEmirati住宅アーキテクチャを解析・分類するためのマルチモーダル機械学習フレームワークを提案する。 画像からの視覚的特徴とテキスト的特徴を専門家による説明から統合した512次元の埋め込みに統合し,続いて,K-Meansを用いた可視化と教師なしクラスタリングのためのUMAPを用いた次元的削減を行った。 クラスタラベルは、K-Meansクラスタの手動解析から派生したもので、自動アーキテクチャスタイル分類のためのSVM分類器のトレーニングに使用される。 本手法は,8つのクラスタに対して98%の分類精度を達成し,視覚的およびテキスト的モダリティの組み合わせの有効性を実証する。 本稿では,建築遺産の分析にマルチモーダルAIを活用する可能性を強調し,地域建築のアイデンティティを探索するためのスケーラブルで解釈可能なツールを提供する。

関連論文リスト

• Multi-label Classification with Panoptic Context Aggregation Networks [61.82285737410154]
  本稿では,多次幾何学的文脈を階層的に統合する新しいアプローチであるDeep Panoptic Context Aggregation Network(PanCAN)を紹介する。 PanCANは、ランダムウォークとアテンションメカニズムを組み合わせることで、各スケールで複数階の近傍関係を学習する。 NUS-WIDE、PASCAL VOC、2007、MS-COCOベンチマークの実験は、PanCANが一貫して競争結果を達成することを示した。
  論文  参考訳（メタデータ） (2025-12-29T14:16:21Z)
• Wasserstein-Aligned Hyperbolic Multi-View Clustering [58.29261653100388]
  本稿では,マルチビュークラスタリングのための新しいWasserstein-Aligned Hyperbolic(WAH)フレームワークを提案する。 本手法はビュー固有の双曲エンコーダを用いて特徴をローレンツ多様体に埋め込んで階層的セマンティックモデリングを行う。
  論文  参考訳（メタデータ） (2025-12-10T07:56:19Z)
• A Data-driven Typology of Vision Models from Integrated Representational Metrics [8.045700364123645]
  大規模ビジョンモデルは、アーキテクチャやトレーニングのパラダイムにおいて大きく異なるが、家族間で表現のどの側面が共有されているかを決定するための原則的な方法が欠如している。 表現的類似度メトリクスの組を活用し、それぞれ異なる顔-幾何学、ユニットチューニング、線形な陰極性、および家族分離性を評価する。 我々は、これらの相補的なファセットを統合するために、マルチオミクス統合にインスパイアされたSimisity Network Fusion(SNF)を適用する。
  論文  参考訳（メタデータ） (2025-09-25T21:46:09Z)
• Abstractive Visual Understanding of Multi-modal Structured Knowledge: A New Perspective for MLLM Evaluation [48.462734327375536]
  MLLM(Multi-modal large language model)は、多種多様なシナリオやオブジェクトの包括的理解を可能にする。 MLLMの評価ベンチマークやリーダーボードの普及にもかかわらず、彼らはMLLMが視覚的に現れる構造化された抽象化で世界的知識を理解する上で重要な能力を見落としている。 構造化理解のためのマルチモーダルマップを基盤とした,革新的なベンチマークであるM3STRを提案する。 その結果,抽象的視覚情報を構造化知識で処理し,MLLMの総合的推論能力を向上させるための重要な軌道を図った。
  論文  参考訳（メタデータ） (2025-06-02T04:00:35Z)
• Exploring Synergistic Ensemble Learning: Uniting CNNs, MLP-Mixers, and Vision Transformers to Enhance Image Classification [2.907712261410302]
  私たちは、異なるアーキテクチャ間の相補性を探求する以前の作業を構築し、改善します。 それぞれのアーキテクチャの整合性を保ち、それらをアンサンブル技術を使って組み合わせます。 この研究の直接的な成果は、ImageNet上の以前の最先端の単一分類ネットワークの精度を上回る分類ネットワークのアンサンブルを作成することである。
  論文  参考訳（メタデータ） (2025-04-12T04:32:52Z)
• Contextuality Helps Representation Learning for Generalized Category Discovery [5.885208652383516]
  本稿では、文脈性の概念を活用することにより、一般化カテゴリー発見(GCD)への新たなアプローチを提案する。 我々のモデルでは,コントラスト学習に最も近いコンテキストが使用されるインスタンスレベルと,コントラスト学習を利用するクラスタレベルという,2つのコンテキストレベルを統合している。 文脈情報の統合は、特徴学習を効果的に改善し、その結果、すべてのカテゴリの分類精度が向上する。
  論文  参考訳（メタデータ） (2024-07-29T07:30:41Z)
• SLRL: Structured Latent Representation Learning for Multi-view Clustering [24.333292079699554]
  マルチビュークラスタリング(MVC)は、異なるビュー間の固有の一貫性と相補性を活用して、クラスタリングの結果を改善することを目的としている。 MVCでの広範な研究にもかかわらず、既存のほとんどのメソッドは、主にクラスタリングの有効性を高めるためにビューをまたいだ補完的な情報を活用することに重点を置いています。 本稿では,構造化潜在表現学習に基づくマルチビュークラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-11T09:43:57Z)
• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• Structure-CLIP: Towards Scene Graph Knowledge to Enhance Multi-modal Structured Representations [70.41385310930846]
  マルチモーダルな構造表現を強化するためのエンドツーエンドフレームワークであるStructure-CLIPを提案する。 シーングラフを用いてセマンティックなネガティブな例の構築をガイドし、その結果、構造化された表現の学習に重点を置いている。 知識エンハンス(KEE)は、SGKを入力として活用し、構造化表現をさらに強化するために提案される。
  論文  参考訳（メタデータ） (2023-05-06T03:57:05Z)
• Multi-Perspective LSTM for Joint Visual Representation Learning [81.21490913108835]
  複数の視点から捉えた視覚的シーケンスで利用可能な内的および対外的関係を学習できる新しいLSTM細胞アーキテクチャを提案する。 私たちのアーキテクチャは、細胞レベルで追加のゲートと記憶を使用する新しい繰り返し共同学習戦略を採用しています。 提案するセルを用いてネットワークを構築することにより、より効果的でリッチな視覚的表現が認識タスクで学習されることを示す。
  論文  参考訳（メタデータ） (2021-05-06T16:44:40Z)

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。