[论文解读] 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 3

一句话总结

本文提出SAGC-A68，一个基于图结构的新型数据集，包含68个三维公寓建筑布局，其中空间可达图被自动生成，以支持图深度学习（GDL）对22种空间功能和6种空间要素进行分类。作者通过训练图注意力网络（GAT）展示了其有效性，取得了优异的分类性能，并公开了代码与数据，以支持未来在建筑空间自动化分析方面的研究。

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.

研究动机与目标

• 为解决在建筑空间分类中训练图深度学习（GDL）模型缺乏合适数据集的问题。
• 减少在建筑模型中对空间和空间要素进行分类时的人工工作量与错误。
• 通过图表示实现公寓建筑中空间功能与要素的自动化、数据驱动分类。
• 提供一个可复现的基准数据集，用于评估GDL模型在建筑空间理解中的表现。
• 通过精确的空间分类，支持建筑能效评估、安全分析和可用面积评估等应用。

提出的方法

• 作者从68个数字三维公寓建筑布局模型中自动生成空间可达图。
• 每个图编码了房间与空间要素之间的空间邻接与连通性，捕捉功能与结构关系。
• 通过提取空间之间的拓扑关系构建数据集，将空间视为图中的节点，关系视为边。
• 在SAGC-A68数据集上训练图注意力网络（GAT），以对22种空间功能类别和6种空间要素类别进行分类。
• 该模型利用注意力机制，在分类过程中加权图中邻近节点的重要性。
• 整个流程，包括数据预处理与模型训练，均已实现并随数据集一同发布，以确保可复现性。

实验结果

研究问题

• RQ1 基于图的表示能否有效编码公寓建筑中空间功能与要素的空间关系？
• RQ2 图注意力网络（GAT）在新引入的真实世界建筑图数据集SAGC-A68上表现如何？
• RQ3 与替代表示方法相比，空间可达图的图结构在多大程度上提升了分类准确率？
• RQ4 所提出的数据集能否作为未来图深度学习模型在建筑空间分析中可靠的基准？
• RQ5 在该数据集上训练的GDL模型在真实世界建筑分析任务中具有多大的泛化潜力？

主要发现

• SAGC-A68数据集成功以适合GDL的图格式捕捉了68个真实公寓建筑布局的空间拓扑结构。
• 在SAGC-A68基准上，训练的GAT模型在22种空间功能与6种空间要素类别的分类任务中表现出色。
• 基于图的表示能够有效建模房间之间的空间连通性与功能关系。
• 数据集与代码已公开发布，支持可复现性，并推动未来在自动化空间分类方面的研究。
• 结果表明，使用访问图进行图深度学习在建筑信息模型（BIM）中的建筑空间理解方面具有可行性与有效性。