基于深度学习框架的数字建筑平面图符号 spotting
计算机视觉与模式识别
2020-06-02 v1 机器学习
摘要
本文关注于使用基于深度学习(DL)的框架在真实世界数字建筑平面图上进行符号 spotting。传统的即时符号 spotting 方法无法应对图形符号可变性的语义挑战,即类内符号相似度低,这一问题在建筑平面图分析中尤为重要。真实平面图中特有的遮挡与杂乱现象,以及图形符号复杂度从几乎简单到高度复杂的变化,也给现有 spotting 方法带来挑战。在本文中,我们通过利用 DL 的最新进展并适配基于 You-Only-Look-Once (YOLO) 架构的目标检测框架,解决了上述所有问题。我们提出了一种基于图块(tile)的训练策略,避免了基于 DL 的目标检测网络所特有的诸多问题,这些问题与符号相对于整个平面图尺寸较小、长宽比以及数据增强有关。在真实平面图上的实验表明,我们的方法成功检测出了类内相似度低且图形复杂度多变的建筑符号,即使在严重遮挡和杂乱的情况下也是如此。在公开 SESYD 数据集上的额外实验证实,我们提出的方法能够处理各种退化与噪声水平,并且优于其他符号 spotting 方法。
引用
@article{arxiv.2006.00684,
title = {Symbol Spotting on Digital Architectural Floor Plans Using a Deep Learning-based Framework},
author = {Alireza Rezvanifar and Melissa Cote and Alexandra Branzan Albu},
journal= {arXiv preprint arXiv:2006.00684},
year = {2020}
}
备注
Accepted to CVPR2020 Workshop on Text and Documents in the Deep Learning Era