Aug, 2019

使用带有房间边界引导的注意力的多任务网络进行深度平面图识别

PDF
TL;DR本文提出了一种利用深度神经网络进行多任务学习的方法，设计了一种可以识别平面图中各种元素的模型，并使用空间上下文模块中的房间边界引导注意力机制，以增强模型的准确率。
floor plan recognitiondeep neural networkmulti-task learningspatial contextual moduleattention mechanism
发现论文，激发创造
  • MuraNet：关系注意力的多任务平面图识别

    MuraNet 是一种面向平面图数据中分割和检测任务的注意力多任务模型，通过统一编码器和分离的分割解码器分支以及基于 YOLOX 的独立检测头支路，提高了特征提取和相关任务的准确性和效率。

    Sep, 2023

  • Graph2Plan: 从布局图中学习生成平面图

    引入了一种使用深度神经网络和用户参与的生成模型的学习框架，用于自动楼层平面图的生成。

    Apr, 2020

  • FloorNet: 三维扫描的平面图重建统一框架

    本研究旨在通过智能手机，利用深度神经网络技术重建室内地图，提出了线上勘测算法 FloorNet 核心思路，即将 RGBD 流图像数据分别经过三个大的神经网络模块来提取特征并同时考虑 3D 与 2D 空间信息，这种方法能够有效提高室内平面图的重建准确性。

    Mar, 2018

  • 基于深度神经网络的建筑轮廓分割多任务学习

    本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

    Sep, 2017

  • LGT-Net：基于几何感知变换网络的室内全景房间布局估计

    利用视域深度和房间高度可以在水平和垂直方向上获得全向几何感知，提出了一种平面几何感知损失函数，使用局部和全局几何关系的 SWF-Transformer 建立几何关系模型，以及相对位​​置嵌入增强空间识别能力，证明 LGT-Net 在基准数据集上比当前最先进技术表现更好。

    Mar, 2022

  • RoomNet: 端到端的房间布局估计

    该论文的研究重点为从单目 RGB 图像中估算房间布局，采用端到端可训练的编码 - 解码网络 RoomNet 直接估算有序的房间布局关键点，实现了与最新工作相比 200-600 倍的加速和最新的性能。

    Mar, 2017

  • 基于布局图的跳跃连接神经网络用于平面图的自动生成

    利用 AI 和计算机视觉技术的发展，本论文提出了一种新颖的方法，通过跳跃连接神经网络与布局图结合，实现了自动和高效的楼层平面设计。通过跳跃连接层捕获多尺度的楼层平面信息，并通过编码器 - 解码器网络与图神经网络支持像素级概率生成。在 MSD 数据集上进行验证后，我们的方法在 ICCV 第 1 届 CVAAD 研讨会挑战中获得了 56.6 的 mIoU 分数。代码和预训练模型可在此网址公开获取。

    Sep, 2023

  • SpotNet: 自注意力多任务网络用于目标检测

    本研究旨在通过多任务学习方式训练一个网络实现视觉注意力，使用半监督学习方式生成前 / 背景分割标签，进而训练目标检测模型，利用分割地图实现自我注意机制，获得在交通监控领域两个数据集上显著的 mAP 改进，UA-DETRAC 和 UAVDT 数据集上均实现了最先进的结果。

    Feb, 2020

  • 结构幻化变压器级联的极限平面图重构

    本文介绍一项极端平面图重建任务，提出了一种神经架构作为解决方案；研究结果表明，该方案通过使用卷积神经网络和 Transformer 将输入的部分平面图编码为一组潜在向量，并通过级联 Transformer 解码器重建整个平面图，包括看不见的房间和门等隐含的建筑结构；该方法在 701 个房屋的基准测试中比现有的重建技术表现更优，且作者将与公众分享算法代码、模型和数据等信息。

    Jun, 2022

  • 从 2D 注释中估算一般的三维房间结构

    通过 2D 分割遮罩提出一种新颖的方法，能够直接推导出 3D 结构元素的平面方程和空间范围，并将相邻元素在适当的接触边缘处连接，最终在 RealEstate10k 数据集上公开释放 2266 个高质量的 3D 房间布局标注。

    Jun, 2023