Segmentation d'images de plans d'étage par apprentissage semi-faiblement supervisé basé sur des traits : une approche indépendante du style et de la catégorie

Le domaine de la conception architecturale connaît une transformation majeure vers l’intégration de méthodologies computationnelles avancées, visant à révolutionner les pratiques traditionnelles grâce à l’automatisation. Un enjeu central réside dans l’automatisation de la reconnaissance des plans de niveau. Ce défi s’explique par la grande variété des styles de plans de niveau et par la nécessité de grands jeux de données annotés à grande échelle pour les méthodes basées sur l’apprentissage, freinées par l’absence de règles standardisées de visualisation et par le manque de connaissances spécialisées en annotation. Notre étude présente un cadre novateur basé sur les « scribbles » (traits informels), à supervision semi-faible, qui combine images faiblement annotées et non annotées afin d’améliorer la robustesse et la généralisation du modèle. Ce cadre bénéficie d’un processus d’annotation simplifié tout en préservant des détails informatifs. Par conséquent, nous proposons un nouveau jeu de données de référence pour le traitement d’images de plans de niveau, couvrant une large gamme de styles architecturaux et de catégories. Les expériences menées avec notre cadre proposé démontrent une amélioration marquée de la précision de segmentation et de la capacité d’adaptation du modèle, dépassant significativement les solutions actuelles de pointe.