I-FCSAM: An integrated framework of few-shot learning and segment anything model for vision-based indoor built environment management
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate and timely analysis of as-is versus as-planned conditions is critical for built environment management (BEM) in the Architectural, Engineering, Construction, and Operation (AECO) sector. Various AECO applications, such as progress monitoring, facility management, quality control, and inspections, rely on comparative analysis for effective decision-making. However, the manual analysis can be time-consuming and prone to errors. Computer vision methods offer promising solutions; however, their adoption in the AECO face challenges due to high data annotation requirement, computational demands, and limited datasets. This challenge is further augmented in indoor built environment management (IBEM) compared to outdoor environments due to more object diversity, data scarcity, and inadequate representation of AECO-specific objects in existing datasets. This necessitates implementation of vision-based systems with minimal training data and effort. Therefore, this study introduces the I-FCSAM framework, an integrated approach that combines Few-Shot Learning (FSL) and Segment Anything Model (SAM) to identify objects in indoor built environment visualizations with the ability to handle limited image samples available. The FSL model, based on Prototypical Networks (PNs), is implemented on 25 classes of AECO-specific objects, representing the as-is states of the indoor built environments. The integration of SAM’s segmentation with FSL’s classification capabilities enabled instance segmentation of the objects and minimized clutters. With FSL’s overall accuracy of 86.78%, the I-FCSAM framework demonstrated promising performance (78% precision and 61.1% recall) in classification of SAM-generated objects/regions, reducing the need for extensive labeled data compared to baselines and holding great potential for enhancing vision-based comparative analysis in IBEM 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.
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 | 0,000 | 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 découle