跨国范围内预测建筑类型和功能
通过采用分支卷积神经网络、全卷积神经网络、条件随机场作为循环神经网络以及 SegNet 四种卷积神经网络体系结构,对美国整个大陆分类提取建筑物轮廓线,将符号距离标签与 SegNet 结合,改进了建筑物轮廓线的提取结果并提出了融合近红外信息的建筑物整体提取框架,同时比较了精度、召回率、并集交集以及提取建筑物的数量等指标。
May, 2018
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
利用零样本学习方法,本文提出了一种基于建筑能源模型的预测建筑能耗的方法,该方法使用侧面信息来预测最接近给定未知建筑类型的建筑类型,并在训练中学习建筑模型,并使用加权平均函数组合所预测的建筑能耗值,其平均精度比基于XGBoost的回归模型训练的知名建筑类型数据集更优。
Feb, 2022
本研究提出了一种基于知识图谱的C形建筑模式识别方法,通过属性图,图数据库和基于规则的推理,实现了建筑模式的有效识别。研究结果表明,相较于现有方法,该方法在多级精度上能够取得更高的召回率和更高的识别效率。
Apr, 2023
该研究提出了一种建筑点云数据集,利用地理引用 LiDAR 数据与英国能源性能数据库相结合,实现建筑能源信息的数据驱动、大规模理解,为建筑能源建模提供了新的研究思路。
Jun, 2023
本研究使用大规模建筑模拟数据集建立了预训练模型,实现短期负荷预测模型的泛化,进一步运用该模型提出了零样本与迁移学习等新颖任务,同时增强数据集多样性可提高预测性能。
Jun, 2023
为了理解城市动态并促进可持续发展,我们引入了适用于从高分辨率卫星图像中同时提取空间和属性建筑细节的多任务建筑细化器(MT-BR),通过我们的采样方法训练的网络在预测准确性方面相对其他采样方法表现出改进,而MT-BR则在提取建筑细节方面始终优于其他先进方法,将在上海的应用中展示其实际可行性。
Oct, 2023
通过自我监督学习并融入建筑外观特征和文化细粒度,本研究提出一种新型工具,以地域特点为基础生成适用于不同建筑清单的代表性建筑原型, 可提高能源模拟的精确性和适用性, 从而鼓励探索新兴的本地生态系统。
Apr, 2024
本研究提出了一种几何感知的半监督方法以进行精细化建筑功能识别,解决了传统方法在伪标签精度上的不足。通过设计一种在线的半监督预训练阶段,并结合GIS数据和街景数据生成高精度的粗略注释,实现了跨城市的大规模建筑功能识别。实验结果表明,该方法在多个城市的精细化功能识别中优于现有的监督和半监督方法,具有显著的应用潜力。
Aug, 2024
本研究解决了建筑类型信息匮乏的问题,该信息对人口估计、交通规划、城市规划和应急响应至关重要。我们采用无监督机器学习方法对美国的建筑进行分类,并依据权威的数据进行了验证,结果显示在非住宅建筑分类中具有高精度,在住宅建筑分类中具有高召回率。该研究产生的数据集包含了67,705,475栋建筑,预计将为城市及交通规划等科学研究提供重要价值。
Sep, 2024