[논문 리뷰] 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)|2023. 07. 10.

3D Modeling in Geospatial ApplicationsEngineering인용 수 3

한 줄 요약

이 논문은 3D 아파트 빌딩 레이아웃 68개로 구성된 새로운 그래프 기반 데이터셋인 SAGC-A68을 소개한다. 공간 접근 그래프는 자동으로 생성되어 그래프 딥러닝(GDL)을 통해 22개의 공간 기능과 6개의 공간 요소를 분류하는 데 활용된다. 저자들은 그래프 추론 네트워크(GAT)를 훈련시켜 높은 분류 성능를 달성함으로써 이 데이터셋의 유용성을 입증하였으며, 코드와 데이터는 향후 자동 건물 공간 분석 연구를 지원하기 위해 공개되었다.

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.

연구 동기 및 목표

• 건물 공간 분류 분야에서 그래프 딥러닝(GDL) 모델을 훈련하기 위한 적합한 데이터셋 부족 문제를 해결하기 위해.
• 건축 모델 내 공간과 공간 요소를 분류하는 데 소요되는 수작업과 오류를 줄이기 위해.
• 그래프 표현을 활용해 아파트 빌딩 내 공간 기능과 요소에 대한 자동화된 데이터 기반 분류를 가능하게 하기 위해.
• 건축 공간 이해 분야에서 GDL 모델을 평가하기 위한 재현 가능한 벤치마크 데이터셋을 제공하기 위해.
• 정확한 공간 분류를 통해 건물 에너지 효율성, 안전 분석, 이용 가능한 면적 평가 등의 애플리케이션을 지원하기 위해.

제안 방법

• 저자들은 아파트 빌딩 레이아웃의 68개 디지털 3D 모델에서 공간 접근 그래프를 자동으로 생성한다.
• 각 그래프는 실내 공간 간의 공간적 인접성과 연결성을 인코딩하여 기능적이고 구조적인 관계를 포착한다.
• 데이터셋은 공간 간의 위상적 관계를 추출하여 그래프의 노드와 엣지로 간주함으로써 구성된다.
• SAGC-A68 데이터셋에서 그래프 어텐션 네트워크(GAT)를 훈련시어 22개의 공간 기능 클래스와 6개의 공간 요소 클래스를 분류한다.
• 모델은 분류 과정에서 이웃 노드의 중요도를 가중치로 고려하기 위해 어텐션 메커니즘을 활용한다.
• 데이터 전처리 및 모델 훈련을 포함한 전체 파이프라인은 재현 가능성을 확보하기 위해 데이터셋과 함께 구현 및 공개된다.

실험 결과

연구 질문

• RQ1 그래프 기반 표현이 아파트 빌딩 내 공간 기능과 요소를 분류하는 데 있어 공간 관계를 효과적으로 인코딩할 수 있는가?
• RQ2 그래프 어텐션 네트워크(GAT)는 SAGC-A68과 같은 새로 도입된 실세계 건축 그래프 데이터셋에서 얼마나 잘 성능을 내는가?
• RQ3 공간 접근 그래프의 구조적 특성이 다른 표현 방식에 비해 분류 정확도 향상에 얼마나 기여하는가?
• RQ4 제안된 데이터셋은 향후 건축 공간 분석 분야의 그래프 딥러닝 모델 평가를 위한 신뢰할 수 있는 벤치마크로 기능할 수 있는가?
• RQ5 이 데이터셋에서 훈련된 GDL 모델의 일반화 능력은 실세계 건물 분석 작업에 대해 얼마나 높은가?

주요 결과

• SAGC-A68 데이터셋은 GDL에 적합한 그래프 형식으로 68개의 실제 아파트 빌딩 레이아웃의 공간 위상 구조를 성공적으로 포착하였다.
• 훈련된 GAT 모델은 SAGC-A68 벤치마크에서 22개의 공간 기능 및 6개의 공간 요소 카테고리 분류에 대해 높은 성능을 달성하였다.
• 그래프 기반 표현은 실내 공간 간의 연결성과 기능적 관계를 효과적으로 모델링할 수 있었다.
• 데이터셋과 코드는 공개되어 있어 재현 가능성을 확보하고 향후 자동 공간 분류 분야의 연구를 촉진할 수 있었다.
• 결과적으로 GDL을 활용한 접근 그래프를 사용하는 것이 빌딩 정보 모델링(BIM) 분야에서 건물 공간 이해에 실현 가능하고 효과적인 방법임을 입증하였다.