스크래치 기반 반약한 감독 학습을 통한 플로어 플랜 이미지 세그멘테이션: 스타일 및 카테고리 무관 접근법

건축 설계 분야는 전통적인 실무 방식을 혁신하기 위해 고도화된 계산 기반 방법론의 통합을 향한 전환적 변화를 겪고 있다. 이 과정에서 핵심적인 과제는 바닥면도(플로어 플랜) 인식의 자동화이다. 그러나 다양한 플로어 플랜 스타일과 기계학습 기반 방법론을 위한 대규모 주석 데이터셋의 필요성으로 인해 이 작업은 여전히 도전 과제를 안고 있다. 특히, 표준화된 시각화 규칙이 부족하고 전문적인 주석 지식이 요구되는 점이 데이터 수집 및 처리를 어렵게 하고 있다. 본 연구에서는 약한 주석 정보와 레이블이 없는 이미지를 결합한 새로운 스크리블 기반의 반약한 감독(semi-weakly-supervised) 프레임워크를 제안한다. 이 프레임워크는 모델의 강건성과 일반화 능력을 향상시키는 동시에 간소화된 주석 과정을 제공하면서도 세부 정보를 유지한다. 이를 바탕으로 다양한 건축 스타일과 범주를 포함하는 플로어 플랜 이미지 해석을 위한 새로운 벤치마크 데이터셋을 제공한다. 제안한 프레임워크를 활용한 실험 결과, 해석 정확도와 모델의 적응 능력이 뚜렷하게 향상되었으며, 기존 최고 수준의 기술보다 크게 우수한 성능을 보였다.