[論文レビュー] SAGC-A68: a space access graph dataset for the classification of spaces and space elements in apartment buildings

Amir Ziaee, Georg Suter|arXiv (Cornell University)|Jul 10, 2023

3D Modeling in Geospatial ApplicationsEngineering被引用数 3

ひとこと要約

本論文では、68棟の3次元アパートメント建物のレイアウトを含む、グラフベースの新規データセットSAGC-A68を紹介する。空間アクセスグラフは自動生成され、22の空間機能と6つの空間要素の分類を可能にするグラフディープラーニング（GDL）を可能にする。著者らは、グラフアテンションネットワーク（GAT）を用いて訓練することでその有効性を示しており、分類性能が優れている。コードとデータは公開されており、将来的な自動建物空間分析分野の研究を支援する。

ABSTRACT

The analysis of building models for usable area, building safety, and energy use requires accurate classification data of spaces and space elements. To reduce input model preparation effort and errors, automated classification of spaces and space elements is desirable. A barrier hindering the utilization of Graph Deep Learning (GDL) methods to space function and space element classification is a lack of suitable datasets. To bridge this gap, we introduce a dataset, SAGC-A68, which comprises access graphs automatically generated from 68 digital 3D models of space layouts of apartment buildings. This graph-based dataset is well-suited for developing GDL models for space function and space element classification. To demonstrate the potential of the dataset, we employ it to train and evaluate a graph attention network (GAT) that predicts 22 space function and 6 space element classes. The dataset and code used in the experiment are available online. https://doi.org/10.5281/zenodo.7805872, https://github.com/A2Amir/SAGC-A68.

研究の動機と目的

• 建物空間分類におけるグラフディープラーニング（GDL）モデルを訓練するための適切なデータセットの不足に対処すること。
• 建築モデルにおける空間および空間要素の分類における人的作業と誤差を低減すること。
• グラフ表現を用いて、アパートメント建物の空間機能および要素の自動的かつデータ駆動型の分類を可能にすること。
• GDLモデルの建築空間理解における評価のための再現可能で明確なベンチマークデータセットを提供すること。
• 正確な空間分類を通じて、建物のエネルギー効率、安全分析、有効面積評価の応用を支援すること。

提案手法

• 著者らは、68体のアパートメント建物レイアウトのデジタル3次元モデルから、空間アクセスグラフを自動生成する。
• 各グラフは、部屋および空間要素間の空間的隣接関係と接続性を符号化し、機能的および構造的関係を捉える。
• データセットは、空間間のトポロジカル関係を抽出することで構築され、それらをグラフのノードおよびエッジとして扱う。
• グラフアテンションネットワーク（GAT）をSAGC-A68データセット上で訓練し、22の空間機能クラスおよび6つの空間要素クラスを分類する。
• モデルは分類中に隣接ノードの重要性を重みづけするアテンションメカニズムを活用する。
• データ前処理およびモデル訓練を含む、全体のパイプラインは、再現可能性を確保するためにデータセットと共に実装・公開されている。

実験結果

リサーチクエスチョン

• RQ1 グラフベースの表現は、アパートメント建物の空間機能および要素の分類に、空間的関係を効果的に符号化できるか？
• RQ2 グラフアテンションネットワーク（GAT）は、SAGC-A68のような新規で実世界の建築グラフデータセット上で、どの程度の性能を示すか？
• RQ3 空間アクセスのグラフ構造は、他の表現と比較して、分類精度をどの程度向上させるか？
• RQ4 提案されたデータセットは、将来的な建築空間分析分野におけるグラフディープラーニングモデルの信頼できるベンチマークとして機能できるか？
• RQ5 このデータセットで訓練されたGDLモデルの、実世界の建物分析タスクへの汎用性はどの程度か？

主な発見

• SAGC-A68データセットは、GDLに適したグラフ形式で、68棟の実際のアパートメント建物レイアウトの空間トポロジーを成功裏に捉えている。
• 訓練されたGATモデルは、SAGC-A68ベンチマーク上で22の空間機能および6つの空間要素カテゴリの分類において優れた性能を示している。
• グラフベースの表現は、部屋間の空間的接続性および機能的関係の有効なモデリングを可能にしている。
• データセットとコードは公開されており、再現可能性を確保するとともに、自動空間分類分野における将来的な研究を促進している。
• 結果は、建物情報モデリング（BIM）における建築空間理解のためのアクセスグラフを用いたGDLの実現可能性と有効性を示している。