TRANSFORMING VISION-BASED INDOOR BUILT ENVIRONMENT MANAGEMENT WITH FEW-SHOT LEARNING
Notice bibliographique
Résumé
Visual analysis of the built environment plays a critical role in the Architectural, Engineering, Construction, and Operation (AECO) sector.This type of analysis enables detection of visible discrepancies between the as-is and as-planned states of an asset to support proper decision making for different managerial and operational applications, such as construction progress monitoring and quality control.However, traditional approaches rely on manual inspections and expert knowledge, which can be time-consuming, error-prone, and labor-intensive.Therefore, automated detection of target objects within the visualizations is paramount.Recent advancements in computer vision and deep learning fields have enhanced automation of visual analysis, yet conventional deep learning approaches require large and well-annotated datasets, which may be challenging to develop.Alternatively, Few-Shot Learning (FSL) offers a promising solution by enabling the identification of regions of interest with minimal labeled data.This study investigates FSL, namely Prototypical Networks (PNs), to address the challenge of data scarcity in the indoor built environments, where the diversity of objects is high and data scarcity is a significant obstacle for effective training of conventional deep learning techniques.The method is evaluated on a custom dataset of AECO-specific indoor objects, achieving an average accuracy of 87.33% across three different tested folds of novel classes.The results indicate that the method enables the identification of unseen objects with rapid adaptation to new environments and tasks, while requiring only a limited number of labeled examples per class, thereby contributing to a significant reduction in time and effort required in real-world industry applications.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».