建筑构件数据标注的可扩展性：利用合成数据增强立面材料分类
计算机视觉与模式识别
2024-04-15 v1 机器学习
摘要
在Google Street View图像上训练的计算机视觉模型可以创建材料地籍。然而，当前的方法需要难以获取且通常存在类别不平衡的人工标注数据集。为了应对这些挑战，本文在由DALL-E生成的合成数据集上微调了Swin Transformer模型，并将其性能与类似的人工标注数据集进行了比较。尽管人工标注仍然是黄金标准，但合成数据集的性能表明其是一种合理的替代方案。这些发现将减轻开发材料地籍所需的标注工作，为建筑师提供材料再利用机会的见解，从而有助于减少拆除废料。
引用
@article{arxiv.2404.08557,
title = {Scalability in Building Component Data Annotation: Enhancing Facade Material Classification with Synthetic Data},
author = {Josie Harrison and Alexander Hollberg and Yinan Yu},
journal= {arXiv preprint arXiv:2404.08557},
year = {2024}
}
备注
10 pages, 6 figures, submitted to 2024 European Conference of Computing in Construction