Symbol Spotting on Digital Architectural Floor Plans Using a Deep\n Learning-based Framework
Notice bibliographique
Résumé
This papers focuses on symbol spotting on real-world digital architectural\nfloor plans with a deep learning (DL)-based framework. Traditional on-the-fly\nsymbol spotting methods are unable to address the semantic challenge of\ngraphical notation variability, i.e. low intra-class symbol similarity, an\nissue that is particularly important in architectural floor plan analysis. The\npresence of occlusion and clutter, characteristic of real-world plans, along\nwith a varying graphical symbol complexity from almost trivial to highly\ncomplex, also pose challenges to existing spotting methods. In this paper, we\naddress all of the above issues by leveraging recent advances in DL and\nadapting an object detection framework based on the You-Only-Look-Once (YOLO)\narchitecture. We propose a training strategy based on tiles, avoiding many\nissues particular to DL-based object detection networks related to the relative\nsmall size of symbols compared to entire floor plans, aspect ratios, and data\naugmentation. Experiments on real-world floor plans demonstrate that our method\nsuccessfully detects architectural symbols with low intra-class similarity and\nof variable graphical complexity, even in the presence of heavy occlusion and\nclutter. Additional experiments on the public SESYD dataset confirm that our\nproposed approach can deal with various degradation and noise levels and\noutperforms other symbol spotting methods.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».