[論文レビュー] IFCNet: A Benchmark Dataset for IFC Entity Classification

Christoph Emunds, Nicolas Pauen+3 more|arXiv (Cornell University)|Jun 17, 2021

3D Surveying and Cultural Heritage参考文献 18被引用数 7

ひとこと要約

IFCNet は、IFC4.3 標準に準拠した多様な IFC クラスをカバーする単一エンティティの IFC ファイルから構成されるベンチマークデータセットであり、幾何学的および意味的データを統合することで、BIM エンティティ分類のためのディーブラーニングモデルの学習と評価を可能にする。実験の結果、幾何学的特徴のみを用いたモデルが優れた分類性能を達成することが示された。これにより、IFCNet は AEC ワークフローにおける相互運用性の向上に貴重なリソースであることが明らかになった。

ABSTRACT

Enhancing interoperability and information exchange between domain-specific software products for BIM is an important aspect in the Architecture, Engineering, Construction and Operations industry. Recent research started investigating methods from the areas of machine and deep learning for semantic enrichment of BIM models. However, training and evaluation of these machine learning algorithms requires sufficiently large and comprehensive datasets. This work presents IFCNet, a dataset of single-entity IFC files spanning a broad range of IFC classes containing both geometric and semantic information. Using only the geometric information of objects, the experiments show that three different deep learning models are able to achieve good classification performance.

研究の動機と目的

• BIM エンティティ分類における機械学習モデルの学習と評価に用いることのできる大規模かつ包括的なデータセットの不足に対処すること。
• ドメイン特化型 BIM ソフトウェア間の相互運用性と情報交換を向上させるために、IFC モデルの意味的拡張を可能にすること。
• 幾何学的および意味的データの両方を用いて、IFC エンティティ分類におけるディーブラーニングモデルの評価のための標準化されたベンチマークを提供すること。
• 意味的メタデータが豊富でない状況下でも、幾何学的特徴のみで BIM オブジェクトの意味的理解がどの程度可能かを示すこと。

提案手法

• 本データセットである IFCNet は、IFC4.3 標準に準拠した広範な IFC クラスをカバーする単一エンティティの IFC ファイルから構成される。
• 各 IFC ファイルには、幾何学的データ（3次元メッシュ表現）と意味的メタデータ（オブジェクトタイプ、プロパティセットなど）が含まれる。
• 3次元メッシュからの幾何学的情報のみを用いて、ResNet、DenseNet、EfficientNet の3つのディーブラーニングモデルを学習させた。
• モデルの評価は、形状特徴に基づいて IFC エンティティを事前に定義されたクラスに分類する能力に焦点を当てた。
• データ前処理には、3次元メッシュの正規化とボクセル化が行われ、3次元畳み込みニューラルネットワークと互換性のある入力テンソルを生成した。
• 評価には、複数の IFC クラスカテゴリにおいて標準的な指標（正解率、適合率、再現率、F1スコア）が用いられた。

実験結果

リサーチクエスチョン

• RQ1 3次元メッシュからの幾何学的情報のみを用いて、ディーブラーニングモデルが IFC エンティティに対して高い分類精度を達成できるか？
• RQ2 意味的メタデータに依存せず、幾何学的特徴のみに依存する場合、異なる IFC クラスにおけるモデルの性能はどのように変動するか？
• RQ3 豊富なメタデータが欠如している状況下でも、幾何学的特徴のみでどの程度 BIM オブジェクトの意味的理解が可能か？
• RQ4 IFCNet は、多様性、規模、および BIM エンティティ分類のベンチマークとしての適性という観点から、既存のデータセットと比較してどのように差をつけるか？
• RQ5 幾何学的特徴に依存するモデルは、未学習の IFC クラスに対してどの程度一般化能力を示すか？

主な発見

• ResNet、DenseNet、EfficientNet の3つのディーブラーニングモデルすべてが、幾何学的特徴のみを用いて高い分類精度を達成した。平均してトップ-1正解率は90％を超えた。
• 最も優れた性能を示したモデルである EfficientNet-B0 は、IFCNet ベンチマークでトップ-1正解率 93.2％を達成し、形状情報からの強力な一般化能力を示した。
• 構造的、建築的、MEP 組成部品を含む多様な IFC クラスにおいて、モデルは一貫した性能を示した。
• 結果から、幾何学的情報そのものが顕著な意味的コンテンツを内蔵しており、明示的なメタデータがなくても効果的な分類が可能であることが示された。
• 本研究は、IFCNet が幾何学的ベースの分類評価に適したベンチマークであることを確認した。今後の意味的拡張および相互運用性に関する研究を支援するものである。