[논문 리뷰] Room Classification on Floor Plan Graphs using Graph Neural Networks

Abhishek Paudel, Roshan Dhakal외 1명|arXiv (Cornell University)|2021. 08. 12.

Human Pose and Action Recognition참고 문헌 20인용 수 9

한 줄 요약

이 논문은 실내 평면도를 무방향 그래프로 모델링하여, 방을 노드로, 인접성을 간선으로 간주함으로써 그래프 신경망(GNN) 기반 접근법을 제안한다. House-GAN 데이터셋을 사용하여 GraphSAGE와 Topology Adaptive GCN는 각각 81% 및 80%의 정확도를 기록했으며, 이는 MLP를 15% 이상 뛰어넘는 성능이었고, 깊은 아키텍처에서도 과도한 평탄화(oversmoothing)에 대해 강건함을 입증했다.

ABSTRACT

We present our approach to improve room classification task on floor plan maps of buildings by representing floor plans as undirected graphs and leveraging graph neural networks to predict the room categories. Rooms in the floor plans are represented as nodes in the graph with edges representing their adjacency in the map. We experiment with House-GAN dataset that consists of floor plan maps in vector format and train multilayer perceptron and graph neural networks. Our results show that graph neural networks, specifically GraphSAGE and Topology Adaptive GCN were able to achieve accuracy of 80% and 81% respectively outperforming baseline multilayer perceptron by more than 15% margin.

연구 동기 및 목표

• 명시적인 의미적 레이블이 없는 실내 평면도에서 인접한 방 간의 구조적 관계를 활용하여 방 분류 과제를 해결한다.
• 실내 평면도 레이아웃에 내재된 그래프 기반의 관계적 인덕티브 바이어스를 활용하여 다층퍼셉트론(MLP)과 같은 기초 모델을 초월하고자 한다.
• 벡터화된 실내 평면도를 기반으로 GCN, GAT, GraphSAGE, TAGCN와 같은 다양한 GNN 아키텍처의 성능과 강건성을 실내 방 분류 과제에서 분석한다.
• 모델 깊이가 GNN 성능에 미치는 영향, 특히 과도한 평탄화 문제에 대한 분석을 수행하며, 관계적 인덕티브 바이어스를 포착하는 능력 측면에서 모델 간 비교를 수행한다.
• 학습되지 않은 GNN이 그래프 내에서 구조적 인덕티브 바이어스를 포착할 수 있는지 평가하여, 학습 이전의 모델 인덕티브 바이어스에 대한 통찰을 제공한다.

제안 방법

• 각 실내 평면도를 무방향 그래프로 표현하며, 방을 노드로, 공간적 근접성에 기반한 인접한 방 간 간선으로 연결한다.
• 실내 방 경계 상자, 벽 좌표, 도어 존재 여부, 방 카테고리 등의 정보에서 노드 특징을 추출하며, 기하학적 및 구조적 성질을 입력 특징으로 사용한다.
• 노드 분류를 위해 다층퍼셉트론(MLP) 기반 기초 모델과 함께 GCN, GAT, GraphSAGE, TAGCN 등의 다양한 GNN 아키텍처를 훈련시켜 방 카테고리 예측을 수행한다.
• GNN의 메시지 전달 메커니즘을 적용하여 이웃 노드의 특징을 집계함으로써 그래프 구조 전반에서 관계 기반 추론을 가능하게 한다.
• 학습되지 않은 모델의 노드 임베딩에 대해 t-SNE 시각화를 수행하여 각 GNN이 관계적 인덕티브 바이어스를 얼마나 선천적으로 포착할 수 있는지 평가한다.
• 깊이가 2에서 12층까지 변화하는 다양한 조건에서 모델 성능을 평가하여 과도한 평탄화 문제에 대한 강건성 분석을 수행하며, 특히 GraphSAGE와 TAGCN을 GCN 및 GAT와 비교한다.

실험 결과

연구 질문

• RQ1 실내 평면도를 그래프로 모델링할 때, 기존의 MLP 기초 모델에 비해 그래프 신경망(GNN)이 방 분류 정확도를 크게 향상시킬 수 있는가?
• RQ2 GCN, GAT, GraphSAGE, TAGCN와 같은 다양한 GNN 아키텍처가 실내 방 분류 과제에서 정확도 및 깊이에 대한 강건성 측면에서 어떻게 성능을 내는가?
• RQ3 GCN와 GAT 모델이 학습 이전의 노드 임베딩 시각화를 통해 그래프 구조의 관계적 인덕티브 바이어스를 어느 정도 포착하는가?
• RQ4 왜 GraphSAGE와 TAGCN는 깊이가 증가함에 따라 성능이 유지되거나 향상되는 반면, GCN과 GAT는 성능이 저하되는가? 특히 깊은 아키텍처에서의 경향을 설명할 수 있는가?
• RQ5 학습되지 않은 GNN이 데이터 내 선천적인 구조적 인덕티브 바이어스를 드러낼 수 있는가? 그리고 이는 최종 모델 성능과 어떻게 관련이 있는가?

주요 결과

• GraphSAGE와 Topology Adaptive GCN(TAGCN)는 각각 81% 및 80%의 분류 정확도를 기록했으며, 이는 기초 모델인 MLP의 65% 미만 정확도를 크게 뛰어넘었다.
• GraphSAGE와 TAGCN 간의 성능 격차는 15% 이상을 초과하여, 실내 평면도의 그래프 구조를 활용하는 것이 방 분류에 매우 효과적임을 입증했다.
• GraphSAGE와 TAGCN는 네트워크 깊이가 증가함에 따라 성능이 안정되거나 향상되었으며, 이는 과도한 평탄화 문제에 강건함을 시사한다.
• 반면, GAT의 성능은 층 수가 증가함에 따라 저하되었고, GCN는 11–12층에서 성능 저하를 보이며 과도한 평탄화에 취약함을 보였다.
• 학습되지 않은 노드 임베딩에 대한 t-SNE 시각화에서 GraphSAGE와 TAGCN는 침대방, 화장실, 발코니 클래스에 대해 부분적인 클러스터링을 보였으며, 강력한 선천적 관계적 인덕티브 바이어스를 암시한다.
• GCN와 GAT는 학습되지 않은 임베딩에서 의미 있는 클러스터링을 보이지 않아 관계적 구조를 초기에 잘 포착하지 못했으며, 이는 최종 성능이 낮은 데에 기여한 것으로 관련성이 있다.