,

مقاله GATA2Floor: توجه گراف برای شمارش طبقات در نماهای خیابان

تومان249,950

تجزیه و تحلیل خودکار نمای ساختمان‌ها از تصاویر سطح خیابان، پتانسیل بالایی برای تحلیل شهری، ارزیابی انرژی و برنامه‌ریزی اضطراری دارد. با این حال، این امر نیازمند استدلال بر روی عناصر مرتب شده فضایی است…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000171 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

GATA2Floor: توجه گراف برای شمارش طبقات در نماهای خیابان

GATA2Floor: Graph attention for floor counting in street-view facades

نویسندگان: Ngoc Tan Le, Tzoulio Chamiti, Eirini Papagiannopoulou, Nikos Deligiannis

شناسه منبع: arxiv / 2605.11863

دسته: Computer Vision and Pattern Recognition,Image and Video Processing

چکیده (فارسی)

تجزیه و تحلیل خودکار نمای ساختمان‌ها از تصاویر سطح خیابان، پتانسیل بالایی برای تحلیل شهری، ارزیابی انرژی و برنامه‌ریزی اضطراری دارد. با این حال، این امر نیازمند استدلال بر روی عناصر مرتب شده فضایی است، نه صرفاً تشخیص‌های مجزا. در این پژوهش، ما هر نما را به عنوان یک گراف بر روی تشخیص پنجره/در با اولویت عمودی بر یال‌ها مدل می‌کنیم. علاوه بر این، مدل GATA2Floor را معرفی می‌کنیم، یک مدل چند-سر مبتنی بر Graph Attention v2 (GATv2) که تعداد طبقات کلی ساختمان را پیش‌بینی می‌کند و از طریق کوئری‌های توجه متقابل قابل یادگیری، عناصر را به صورت نرم به اسلات‌های طبقه پنهان اختصاص می‌دهد، که خروجی‌های قابل تفسیر و استحکام در برابر طرح‌های نامنظم را به همراه دارد. برای کاهش کمبود مجموعه داده‌های برچسب‌دار، نشان می‌دهیم که استدلال مبتنی بر گراف پیشنهادی را می‌توان بدون برچسب با استفاده از یک مکانیزم پیشنهاد سبک وزن و بدون برچسب مبتنی بر ویژگی‌های خود-نظارتی و امتیازدهی دیداری-زبانی به کار برد. رویکرد ما ارزش استدلال رابطه‌ای مبتنی بر گراف-توجه را برای درک نما نشان می‌دهد.

Abstract (English)

Automated analysis of building facades from street-level imagery has great potential for urban analytics, energy assessment, and emergency planning. However, it requires reasoning over spatially arranged elements rather than solely isolated detections. In this work, we model each facade as a graph over window/door detections with a vertical prior on edges. Additionally, we introduce GATA2Floor, a multi-head Graph Attention v2 (GATv2) based model that predicts the global floor count of a building and, via learnable cross-attention queries, softly assigns elements to latent floor slots, yielding interpretable outputs and robustness to irregular designs. To mitigate the lack of labeled datasets, we demonstrate that the proposed graph-based reasoning can be applied without annotations by leveraging a lightweight label-free proposal mechanism based on self-supervised features and vision-language scoring. Our approach demonstrates the value of graph-attention-based relational reasoning for facade understanding.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله GATA2Floor: توجه گراف برای شمارش طبقات در نماهای خیابان”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا