Recognition of building group patterns using graph convolutional network
Recognition of building group patterns using graph convolutional network
复制标题
使用图卷积网络识别建筑群模式
DOI：
10.1080/15230406.2020.1757512
复制
发表时间：
2020-06
影响因子：
2.5
通讯作者：
Shen Yilang
中科院分区：
文献类型：
--
作者：
Zhao Rong;Ai Tinghua;Yu Wenhao;He Yakun;Shen Yilang
摘要建筑群模式识别对于理解和建模城市空间具有重要意义。然而，现有的许多方法不能充分利用空间信息，难以有效地处理复杂程度较高的地形数据。设计能够直接作用于地形数据以提取空间特征的智能计算模型是至关重要的。为此，我们提出了一种新的基于图卷积的深度神经网络来自动识别任意形状的建筑群模式。该方法首先利用一般图对建筑物进行建模，然后利用神经网络同时学习建筑物的结构信息和顶点属性来对建筑物进行分类。将该方法应用于实际建筑数据，实验结果表明，该方法能够有效地获取空间信息，比传统方法做出更准确的预测。
ABSTRACT Recognition of building group patterns is of great significance for understanding and modeling the urban space. However, many current methods cannot fully utilize spatial information and have trouble efficiently dealing with topographic data with high complexity. The design of intelligent computational models that can act directly on topographic data to extract spatial features is critical. To this end, we propose a novel deep neural network based on graph convolutions to automatically identify building group patterns with arbitrary forms. The method first models buildings by a general graph, and then the neural network simultaneously learns the structural information as well as vertex attributes to classify building objects. We apply this method to real building data, and the experimental results show that the proposed method can effectively capture spatial information to make more accurate predictions than traditional methods.
登录
查看更多内容
影响因子：
1.4
作者：
A. MacEachren
通讯作者：
A. MacEachren
DOI：
10.1080/13658810902798099
发表时间：
2010-02
影响因子：
5.7
作者：
Stefan Steiniger;P. Taillandier;R. Weibel
通讯作者：
Stefan Steiniger;P. Taillandier;R. Weibel
DOI：
--
发表时间：
2007
期刊：
--
影响因子：
--
作者：
Guo Ren-zhong
通讯作者：
Guo Ren-zhong
影响因子：
6.2
作者：
Wang, Yue;Sun, Yongbin;Solomon, Justin M.
通讯作者：
Solomon, Justin M.
影响因子：
2.4
作者：
Sylvain Bard
通讯作者：
Sylvain Bard