Ứng dụng công nghệ trí tuệ nhân tạo (ai) trong thiết kế kiến trúc căn hộ

ỨNG DỤNG CƠNG NGHỆ TRÍ TUỆ NHÂN TẠO (AI) TRONG THIẾT KẾ KIẾN TRÚC CĂN HỘ Trình bày: Phạm Quang Hiếu Tổng quan công việc thiết kế ● Thiết kế kiến trúc cơng việc đặc thù, cần có nhiều kinh nghiệm ● Thiết kế kiến trúc công việc lặp lặp lại qua nhiều bước thử sai ● Các thiết kế kiến trúc phải đảm bảo nguyên tắc công sử dụng ● Ngày có nhiều người nghiệp dư tự muốn thiết kế khơng gian riêng cho hộ ➨ Có thể tạo mạng học sâu “bắt chước” thiết kế có sẵn tự động tạo thiết kế kiến trúc Phương án triển khai Bài toán : Ứng dụng AI để gán nhãn liệu Bài toán 1: Xây dựng mạng học sâu để gán nhãn liệu ● ● Đặt vấn đề - Số lượng mặt thu thập lớn, việc gán nhãn thủ cơng nhiều thời gian - Để đọc hiểu mặt kiến trúc yêu cầu người đọc phải có kiến thức trình bày vẽ Giải pháp - Tạo mạng học sâu tự động phát đối tượng tường cửa, khu vực phòng chức - Kết mơ hình tinh chỉnh thủ công Dữ liệu đầu vào - đầu mơ hình học sâu ● Dữ liệu đầu vào - ● Dữ liệu dùng để huấn luyện mô hình ảnh kỹ thuật số định dạng RGB Dữ liệu đầu : Dữ liệu đầu mô hình ảnh lớp với liệu đánh nhãn cho loại thông tin: - Lớp 1: Mô tả đường bao xung quanh cửa hộ - Lớp 2: Mơ tả phần diện tích bên bên hộ - Lớp 3: Mô tả thông tin tường ngăn cách phịng hộ - Lớp 4: Mơ tả khơng gian loại phòng hộ Giới thiệu mạng học sâu sử dụng Sơ đồ mạng học sâu đa tác vụ Kiến trúc tổng quan mạng học sâu - Sơ đồ minh họa kiến trúc mạng học sâu đa tác vụ Đầu tiên, ta áp dụng mạng học sâu shared VGG encoder để trích xuất thuộc tính từ hình ảnh mặt đầu vào Sau đó, ta phân nhánh để xử lý - Một nhánh cho dự đoán pixel đường biên phòng với nhãn đưa là: tường, cửa sổ + cửa vào, nhánh lại để dự đốn pixel cho kiểu phịng gồm nhãn: phịng khách, phòng ngủ… - Trong nhánh xác định loại phịng, thuộc tính ranh giới phịng (mũi tên màu xanh lam) sử dụng theo chế attention & contexture nhằm bổ xung ranh giới phòng việc xác định loại phịng Trích xuất đặc trưng mạng học sâu VGG16 Kiến trúc mạng VGG16 đầy đủ Kiến trúc mạng VGG16 lược bỏ lớp FC để trích xuất đặc trưng Kiến trúc mạng Spatial contexture ● Toán tử “X” biểu thị cơng thức: Trong đó: - am,n trọng số ma trận 2D nhánh vị trí pixel m, n fm,n đặc điểm đầu vào f’m,n đặc điểm đầu vào ● Direction-aware kernels: Trong đó: - hm,n đặc điểm theo phương kernel f’m,n đặc điểm đầu tốn tử “X” phía α trọng số ● Toán tử “X” áp dụng lên thứ biểu thị cơng thức: Trong đó: hm,n, vm,n dm,n d’m,n biểu thị thuộc tính đường dọc, đường thẳng đứng, đường chéo chính, chéo phụ tương ứng sau lớp tích chập với kernel nhận biết hướng Kiến trúc mạng Spatial contexture module gồm nhánh: Nhánh phía lấy từ thuộc tính chia sẻ từ mạng VGG nhánh phía ngồi thuộc tính lấy từ mạng VGG cịn có thêm thuộc tính từ nhánh phía thơng qua chế attention contexture Hàm mát ● - Hàm mát mạng học sâu xác định vị trí phịng cịn lại Để huấn luyện cho mơ hình học sâu xác định vị trí phịng cịn lại mặt bằng, ta sử dụng hàm mát Cross Entropy dựa điểm pixel kết để tính tốn: Hàm mát ● - Hàm mát mạng học sâu xác định điểm dừng mạng học sâu xác định vị trí phịng Để huấn luyện cho mơ hình học sâu xác định thời điểm dừng mạng học sâu xác định vị trí phịng, ta sử dụng hàm mát mát nhị phân tiêu chuẩn cross entropy: Hàm mát ● - Hàm mát mạng học sâu xác định vị trí tường Hàm mát sử dụng để huấn luyện mơ hình xác định vị trí tường lấy giống hàm mát sử dụng để huấn luyện mô hình xác định vị trí phịng Thước đo (Metrics) ● Thước đo độ xác mơ hình xác định vị trí phịng khách ● Thước đo độ xác mơ hình xác định điểm dừng mơ hình xác định vị trí phịng Thước đo (Metrics) ● Thước đo độ xác mơ hình xác định vị trí phịng cịn lại - Ta có thước đo độ xác tổng thể pixel xác định theo công thức : - Ta có thước đo độ pixel loại phịng xác định theo cơng thức : - Tỷ lệ số pixel dự đốn xác so với tổng số pixel dự đoán: Thước đo (Metrics) ● Thước đo độ xác mơ hình xác định vị trí tường - Ta có thước đo độ xác tổng thể pixel xác định theo công thức : - Ta có thước đo độ pixel định nghĩa tường xác định theo công thức : - Tỷ lệ số pixel dự đốn xác so với tổng số pixel dự đoán: Thực nghiệm ● Tổng quan thiết bị phần cứng thời gian huấn luyện mơ hình Thực nghiệm ● Mạng học sâu dự đốn vị trí phịng khách Thực nghiệm ● Mạng học sâu dự đốn vị trí phịng cịn lại Nhận xét : - Mơ hình Momentumnet có điểm hội tụ cực tiểu hàm Loss đạt giá trị tối ưu so với mơ hình Resnet-34 Do số độ xác tổng thể mơ hình Momentumnet cao so với mơ hình Resnet-34 - Ở số độ xác pixel phân loại loại phịng tỉ lệ pixel phân loại xác mơ hình Momentumnet cải thiện so với mơ hình Resnet-34 Thực nghiệm ● Mạng học sâu xác định thời điểm dừng thêm phòng Thực nghiệm ● Mạng học sâu dự đốn vị trí tường ngăn Nhận xét : Ở mơ hình khơng có sai lệch đáng kể điểm hội tụ hàm tối ưu độ xác mơ hình Một số kết mơ hình ● Mặt số ( Diện tích : 70m2) : Nhận xét : - Kết thiết kế từ hai mạng học sâu đưa xác định vị trí phịng ngủ, phịng vệ sinh… vị trí tường theo tiêu chuẩn thiết kế - Trong mặt số ta thấy mạng Resnet, mơ hình khơng dự đốn vị trí phịng ngủ tường ngăn phịng khách phịng ngủ khơng thiết kế Ở mặt thiết kế mạng Momentumnet, vị trí phịng ngủ tường ngăn thiết kế Một số kết mơ hình ● - - Mặt số ( Diện tích : 77m2) : Nhận xét : Kết thiết kế từ hai mạng học sâu đưa xác định vị trí phịng ngủ, phịng vệ sinh… vị trí tường theo tiêu chuẩn thiết kế Trong mặt số ta thấy mạng Resnet, diện tích nhà vệ sinh rộng 5.84m2 có hình dạng phức tạp Mạng momentumnet cải thiện diện tích phần nhà vệ sinh 5.14m2 hình dạng hình chữ nhật Một số kết mơ hình ● - - Mặt số ( Diện tích : 67m2) : Nhận xét : Kết thiết kế từ hai mạng học sâu đưa xác định vị trí phịng ngủ, phịng vệ sinh… vị trí tường theo tiêu chuẩn thiết kế Trong mặt số ta thấy mạng Resnet, mơ hình khơng dự đốn vị trí phịng ngủ tường ngăn phịng khách phịng ngủ khơng thiết kế Ở mặt thiết kế mạng Momentumnet, vị trí phịng ngủ tường ngăn thiết kế THANK YOU