Segmentierung von Grundrissbildern mittels strichbasierter semi-schwach überwachter Lernmethodik: Ein stil- und kategorienunabhängiger Ansatz

Der Bereich der architektonischen Gestaltung befindet sich derzeit in einem transformatorischen Wandel hin zur Integration fortschrittlicher rechnerischer Methoden, um traditionelle Praktiken durch Automatisierung zu revolutionieren. Ein zentraler Aspekt ist die Automatisierung der Erkennung von Grundrissen. Diese Aufgabe steht vor erheblichen Herausforderungen aufgrund der Vielfalt architektonischer Grundrissstile sowie der Notwendigkeit umfangreicher, annotierter Datensätze für lernbasierte Ansätze – ein Hindernis, das durch die fehlende Standardisierung visueller Darstellungsregeln und spezialisierter Annotierungskompetenzen verstärkt wird. In unserer Studie stellen wir einen neuartigen, skizzenbasierten semi-schwach überwachten Rahmen vor, der schwach annotierte und unannotierte Bilder kombiniert, um die Robustheit und Generalisierbarkeit des Modells zu steigern. Dieser Ansatz profitiert von einem vereinfachten Annotierungsprozess, behält jedoch detaillierte Informationen bei. Dementsprechend präsentieren wir einen neuen Benchmark-Datensatz für die Bildanalyse von Grundrissen, der eine breite Palette architektonischer Stile und Kategorien abdeckt. Experimente mit unserem vorgeschlagenen Framework zeigen deutliche Verbesserungen in der Genauigkeit der Analyse und der Anpassungsfähigkeit des Modells und übertrumpfen signifikant bestehende State-of-the-Art-Lösungen.