OSSR-PID：基于路径采样与 GCN 的 P&ID 图纸单样本符号识别
计算机视觉与模式识别
2021-09-10 v1
摘要
管道与仪表图纸（P&ID）在多家制造、石油和天然气企业中广泛用于表示工程示意图和设备布局。人们迫切需要从 P&ID 中提取和数字化信息，同时避免为每个新用例标注不同符号集的成本。因此，一种用于符号识别（即先定位后分类）的稳健单样本学习方法将极大地有助于实现这一目标。我们的方法通过沿图像中的不同轮廓边界顺序采样像素来工作。这些采样点形成路径，用于在原型线图中构建捕获轮廓结构的图。随后，将原型图输入到动态图卷积神经网络（DGCNN）中，该网络被训练以将图分类为给定符号类别之一。此外，我们附加了来自 Resnet-34 网络的嵌入，该网络在包含采样点的符号图像上进行训练，以使分类网络更加稳健。由于 P&ID 中的许多符号在结构上彼此非常相似，我们在 DGCNN 训练期间利用 Arcface loss，通过产生高判别性的嵌入来最大化符号类别的可分性。图像由附着在管道（直线）上的组件组成。围绕符号区域分离出的采样点用于分类任务。所提出的流水线名为 OSSR-PID，速度快，在包含 100 张 P&ID 图的合成数据集上表现出卓越的符号识别性能。我们还在包含 12 张 P&ID 图纸的真实私有数据集上将我们的方法与先前工作进行了比较，获得了相当或更优的结果。值得注意的是，它仅使用每个符号的一个原型示例即可实现如此出色的性能。
引用
@article{arxiv.2109.03849,
title = {OSSR-PID: One-Shot Symbol Recognition in P&ID Sheets using Path Sampling and GCN},
author = {Shubham Paliwal and Monika Sharma and Lovekesh Vig},
journal= {arXiv preprint arXiv:2109.03849},
year = {2021}
}