该研究论文介绍了一种基于深度学习的两支几何 - 关联框架，以解决建筑信息模型中物体类型在数据交换或在不同域的软件中创建模型时所存在的互通性问题。作者还提供了 IFCNet++ BIM 对象数据集，并表明这种机器学习方法明显突破了以往基于形状信息的分类方法，增加了一种基于关系信息的算法，通过改善分类性能来降低对人工审核建筑模型的工作量并提高此类模型的实用性。

Dec, 2022

本研究研究了使用参数化建筑信息模型（BIM）自动生成人工神经网络（ANN）的培训数据，以识别照片中的建筑物对象。

Jan, 2023

本文介绍了一个新的 3D 点云分类基准数据集，其中包含超过 40 亿个手动标记的点，用于数据密集型的（深度）学习方法。使用深度卷积神经网络（CNNs）作为工作马的初始提交已经显示出相对于现有技术具有显著的性能改进。我们提供了基线方法描述和通过我们的在线系统提交方法之间的比较。我们希望 Semantic3D.net 能够为 3D 点云标注中的深度学习方法铺平道路。

Apr, 2017

BuildingNet 是一个包含多个建筑类别的大规模 3D 建模数据集，使用图神经网络对建筑模型进行网格标注，并展示了图神经网络在 3D 网格标注方面的显著性能优势。

Oct, 2021

提供了一个基于国际规划竞赛的新数据集 IPC，用于评估基于图的机器学习方法，并与现有数据集进行比较，其中该数据集包含具有不同特点的大量有向图，带来了重大的挑战，同时方便扩展。

May, 2019

本文提出新的计算机视觉方法，使 3D 语义分割可以更好地理解具有更多类别和自然分布的真实环境，并在新的扩展基准上测试，使用语言驱动的预训练方法使特征更鲁棒。实验结果表明，我们的方法在提出的基准上始终优于现有技术。

Apr, 2022

提出了一个名为 AIC 的大规模数据集，其中包括人类关键点检测、大规模属性数据集和图像中文字幕，用于评估和改进计算方法。

Nov, 2017

本文介绍一种用于金融领域的命名实体识别 NER 任务的高质量数据集与一个基于弱监督的框架，用于跨度级分类并提供一套公共的基准数据集，以推动金融领域研究的发展。

Feb, 2023

本论文介绍了 Aerial Image Dataset（AID）这一用于航空场景分类的大型数据集，并深入探讨了现有的航空场景分类技术以及最近广泛使用的深度学习方法，并为评估这一数据集的性能提供了基准结果。

Aug, 2016

本研究提出了一种将激光雷达点云与 BIM 模型相匹配的方法，通过深度学习算法与图论相结合，实现了对城市场景的重建，从而解决了 LiDAR 数据质量以及 BIM 模型位置精度不足的问题。该方法在分割和匹配过程中表现出了很好的效果，可以提供一种快速准确的城市 GeoBIM 建设解决方案。

Apr, 2023