智能化室内制图方法与技术

第1章 建筑物空间元素重建与智能化室内制图方法 1.1 概述 1.2 建筑物空间元素重建方法概述 1.3 建筑物空间元素之间的关联关系 1.4 建筑物空间元素的显式和隐式规则 1.4.1 规则系统的定义 1.4.2 规则系统的应用 1.4.3 统计学习的定义 1.4.4 建筑物重建中的应用 1.4.5 规则与统计学习的融合 1.5 基于建筑物平面图图像解析的室内制图方法 1.5.1 传统建筑物平面图图像解析方法 1.5.2 建筑物平面图图像解析学习方法 参考文献 第2章 基于轮廓划分的建筑物屋顶形状推荐方法 2.1 概述 2.2 研究进展 2.2.1 三维屋顶重建 2.2.2 对称性检测 2.2.3 屋顶轮廓分解 2.3 屋顶形状推荐 2.3.1 轮廓分解算法 2.3.2 划分对称性检测 2.3.3 选择规则 2.3.4 组合规则 2.3.5 空间对称规则 2.3.6 概率计算 2.4 实验与分析 2.4.1 联合事件概率比较 2.4.2 单一事件概率比较 2.5 总结与展望 2.5.1 理论局限性 2.5.2 经验阈值 2.5.3 方法应用 参考文献 第3章 利用二元不平衡学习标记公共建筑物正门方法 3.1 概述 3.2 研究进展 3.2.1 门检测 3.2.2 入口检测 3.3 研究方法 3.3.1 数据预处理 3.3.2 特征提取 3.3.3 不平衡分类 3.4 实验与分析 3.4.1 实验设置 3.4.2 标记精度 3.5 总结与展望 3.5.1 正门假设 3.5.2 多源数据融合 参考文献 第4章 基于几何地图文法的房间语义推理方法 4.1 概述 4.2 研究进展 4.2.1 室内空间模型格式 4.2.2 基于数字化的室内建模 4.2.3 基于图像的室内建模 4.2.4 基于轨迹的室内建模 4.2.5 基于LiDAR点云的室内建模 4.2.6 基于规则的室内建模 4.3 布局的形式化表达 4.3.1 建筑物类型定义 4.3.2 建筑物层次语义划分 4.3.3 约束属性文法 4.3.4 规则变量的断言 4.3.5 规则的定义 4.4 房间类型推理算法 4.4.1 方法流程 4.4.2 贝叶斯推理 4.4.3 计算解析森林 4.4.4 计算概率 4.5 实验与分析 4.5.1 训练数据 4.5.2 测试过程 4.5.3 实验结果 4.6 总结与展望 4.6.1 文法学习 4.6.2 深度学习 参考文献 第5章 基于随机森林和关系图卷积网络的房间语义推理方法 5.1 概述 5.2 研究进展 5.2.1 基于数字化的室内映射方法 5.2.2 基于测量的室内映射方法 5.2.3 基于规则的室内映射方法 5.3 研究方法 5.3.1 基于机器学习的房间类型标记 5.3.2 基于深度学习的房间类型标注 5.4 实验与分析 5.4.1 标记准确性 5.4.2 时间消耗比较 5.5 总结与展望 参考文献 第6章 基于遗传规划的室内地标显著性学习方法 6.1 概述 6.2 研究进展 6.3 室内地标显著性属性 6.3.1 视觉属性 6.3.2 语义属性 6.4 研究方法 6.4.1 方法流程 6.4.2 数据采集和处理 6.4.3 基于GP算法的模型训练 6.5 实验与分析 6.5.1 实验设置 6.5.2 实验结果 6.5.3 基于GP算法的模型训练 6.6 总结与展望 参考文献 第7章 基于智能图像分析的室内制图与建模方法 7.1 概述 7.2 建筑物要素矢量化 7.2.1 建筑物要素的实例分割 7.2.2 墙体和门窗简化 7.3 一致性拓扑优化 7.3.1 共边检测 7.3.2 拓扑优化模型 7.3.3 房间提取与模型生成 7.4 实验与分析 7.4.1 实验设置 7.4.2 评价指标 7.4.3 实验结果 7.4.4 消融实验和参数设置讨论 7.4.5 计算成本分析 7.5 总结与展望 参考文献 第8章 自优化建筑物平面图图像解析方法 8.1 概述 8.2 研究方法 8.2.1 实例模型训练 8.2.2 形态学模板优化 8.2.3 自适应训练策略 8.3 实验与分析 8.3.1 数据集与实验设置 8.3.2 实验结果 8.4 总结与展望 参考文献 附录A 随机森林实现的部分标记结果 附录B 关系图卷积网络实现的部分标注结果 附录C 排序预测结果 附录D 测试场景示例