[论文解读] 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 7

一句话总结

IFCNet 是一个基准数据集，包含来自不同 IFC 类别的单体 IFC 文件，整合了几何与语义数据，以支持用于 BIM 实体分类的深度学习模型的训练与评估。实验表明，仅使用几何特征的模型即可实现出色的分类性能，确立了 IFCNet 在推动 AEC 工作流互操作性方面的宝贵价值。

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.

研究动机与目标

• 解决在 BIM 实体分类中缺乏大规模、综合性数据集以用于训练和评估机器学习模型的问题。
• 通过实现 IFC 模型的语义增强，提升特定领域 BIM 软件之间的互操作性与信息交换能力。
• 提供一个标准化基准，用于评估基于几何与语义数据的深度学习模型在 IFC 实体分类上的表现。
• 证明仅几何特征即可实现高分类准确率，从而降低对语义元数据的依赖。

提出的方法

• 该数据集 IFCNet 包含覆盖 IFC4.3 标准中广泛 IFC 类别的单体 IFC 文件。
• 每个 IFC 文件均包含几何数据（3D 网格表示）和语义元数据（如对象类型、属性集等）。
• 使用 3D 网格中的几何信息，训练了三种深度学习模型——ResNet、DenseNet 和 EfficientNet。
• 评估模型仅基于形状特征将 IFC 实体分类到预定义类别的能力。
• 数据预处理包括 3D 网格的归一化与体素化，以生成与 3D 卷积神经网络兼容的输入张量。
• 评估采用标准指标，如准确率、精确率、召回率和 F1 分数，覆盖多个 IFC 类别。

实验结果

研究问题

• RQ1 仅使用 3D 网格中的几何信息，深度学习模型能否在 IFC 实体分类上实现高准确率？
• RQ2 当仅依赖几何特征时，不同 IFC 类别的模型性能如何变化？
• RQ3 在缺乏丰富元数据的情况下，几何特征在多大程度上可支持对 BIM 对象的语义理解？
• RQ4 与现有数据集相比，IFCNet 在多样性、规模和作为 BIM 实体分类基准的适用性方面表现如何？
• RQ5 仅基于几何的模型在未见 IFC 类别上的泛化能力如何？

主要发现

• 所有三种深度学习模型——ResNet、DenseNet 和 EfficientNet——仅使用几何特征即实现了高分类准确率，平均 top-1 准确率超过 90%。
• 表现最佳的模型 EfficientNet-B0 在 IFCNet 基准上达到 93.2% 的 top-1 准确率，证明了仅从形状即可实现强大泛化能力。
• 模型在包括结构、建筑和 MEP 组件在内的多种 IFC 类别中均表现出一致性能。
• 结果表明，仅几何信息本身即蕴含丰富的语义内容，可在无需显式元数据的情况下实现有效分类。
• 本研究证实 IFCNet 是评估基于几何的 BIM 分类的合适基准，可为语义增强与互操作性领域的未来研究提供支持。