Застосування глибокого навчання для прогнозування й автоматизації просторових рішень у дизайні інтер’єру

Заголовок (англійською): 
Application of Deep Learning for Predicting and Automating Spatial Solutions in Interior Design
Автор(и): 
Крук П. М.
Гончаренко Т. А.
Автор(и) (англ): 
Kruk P.
Honcharenko T.
Ключові слова (укр): 
глибоке навчання; згорткові нейронні мережі; рекурентні нейронні мережі; дизайн інтер’єру; автоматизація просторових рішень
Ключові слова (англ): 
deep learning, convolutional neural networks, recurrent neural networks, interior design, automation
Анотація (укр): 
Запропоновано розроблення та впровадження моделі глибокого навчання для прогнозування й автоматизації просторових рішень у дизайні інтер’єру. Модель поєднує згорткові нейронні мережі (CNN) для аналізу візуальних даних та рекурентні нейронні мережі (RNN) для обробки текстових запитів, що уможливлює комплексно опрацьовувати інформацію і створювати персоналізовані дизайнерські рішення. Результати дослідження засвідчують високу точність моделі, низький рівень перехресної ентропії та високі показники середньої точності об’єкта та IoU, що підтверджує її ефективність порівняно з традиційними методами та наявними моделями ШІ. Інтеграція моделі в систему підтримки прийняття рішень у дизайні інтер’єру забезпечується зручним інтерфейсом користувача і взаємодією з популярними CAD-системами, що сприяє безперервності робочих процесів та підвищенню загальної ефективності. Використання хмарних технологій для зберігання й опрацювання даних дає змогу забезпечити масштабованість та продуктивність системи. Дослідження також виявило кілька викликів, включаючи забезпечення конфіденційності і безпеки даних, що потребує подальшої уваги. Запропонована модель має великий потенціал для впровадження в практику, забезпечуючи високу якість та персоналізацію дизайнерських рішень, враховуючи індивідуальні потреби користувачів.
Анотація (англ): 
This paper presents the development and implementation of a deep learning model for predicting and automating spatial decisions in interior design. The model combines convolutional neural networks (CNNs) for visual data analysis and recurrent neural networks (RNNs) for text query processing, which allows for comprehensive information processing and personalised design solutions. The study results show high model accuracy, low cross-entropy, and high average object and IoU accuracy, which confirms its effectiveness compared to traditional methods and existing AI models. The model's integration into an interior design decision support system is provided by a user-friendly interface and interaction with popular CAD systems, which contributes to the continuity of workflows and overall efficiency. The use of cloud-based technologies for data storage and processing ensures scalability and performance of the system. The study also identified several challenges, including ensuring data privacy and security, which require further attention. The proposed model has great potential for implementation in practice, ensuring high quality and personalisation of design solutions, taking into account the individual needs of users.
Публікатор: 
Київський національний університет будівництва і архітектури
Назва журналу, номер, рік випуску (укр): 
Управління розвитком складних систем, номер 58, 2024
Назва журналу, номер, рік випуску (англ): 
Management of Development of Complex Systems, number 58, 2024
Мова статті: 
Українська
Формат документа: 
application/pdf
Документ: 
Дата публікації: 
02 Август 2024
Номер збірника: 
Розділ: 
ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ ПРОЄКТУВАННЯ
Університет автора: 
Київський національний університет будівництва і архітектури, Київ
Литература: 
  1. Fan, Y., Zhou, Y., & Yuan, Z. (2024). Interior Design Evaluation Based on Deep Learning: A Multi-Modal Fusion Evaluation Mechanism. Mathematics. 1–15. DOI: https://doi.org/10.3390/math12101560.
  2. Kim, J., & Lee, J. (2020). Stochastic Detection of Interior Design Styles Using a Deep-Learning Model for Reference Images. Applied Sciences. 1–20. DOI: https://doi.org/10.3390/app10207299.
  3. Chen, J., Shao, Z., Cen, C., & Li, J. (2023). HyNet: A novel hybrid deep learning approach for efficient interior design texture retrieval. Multimedia Tools and Applications, 83, 28125-28145. DOI: https://doi.org/10.1007/s11042-023-16579-0.
  4. Rahbar, M., Mahdavinejad, M., Markazi, A. H., & Bemanian, M. (2022). Architectural layout design through deep learning and agent-based modeling: A hybrid approach. Journal of Building Engineering, 47, 103822. DOI: https://doi.org/10.1016/j.jobe.2021.103822.
  5. Zhu, L., Xu, M., Bao, Y., Xu, Y., & Kong, X. (2022). Deep learning for aspect-based sentiment analysis: a review. PeerJ Computer Science, 8. 1–37. DOI: https://doi.org/10.7717/peerj-cs.1044.
  6. Dwedari, M. M., Nießner, M., & Chen, D. (2023). Generating Context-Aware Natural Answers for Questions in 3D-Scenes. ArXiv, abs/2310.19516. 1–13. DOI: https://doi.org/10.48550/arXiv.2310.19516.
  7. Dai, A., Nießner, M., Zollhöfer, M., Izadi, S., & Theobalt, C. (2017). Bundlefusion: Real-time globally consistent 3d reconstruction using on-the-fly surface reintegration. ACM Transactions on Graphics (ToG), 36 (4), 1.
  8. Chang, A.X., Dai, A., Funkhouser, T.A., Halber, M., Nießner, M., Savva, M., Song, S., Zeng, A., & Zhang, Y. (2017). Matterport 3D: Learning from RGB-D Data in Indoor Environments. 2017 International Conference on 3D Vision (3DV),
    667–676. DOI: https://doi.org/10.1109/3DV.2017.00081.
  9. Pennington, J., Socher, R., & Manning, C. D. (2014). GloVe: Global Vectors for Word Representation. Conference on Empirical Methods in Natural Language Processin. 1532–1543. DOI: https://doi.org/10.3115/v1%2FD14-1162.
  10. Tang, D., Qin, B., & Liu, T. (2016). Aspect Level Sentiment Classification with Deep Memory Network. Conference on Empirical Methods in Natural Language Processing. 1–11. DOI: https://doi.org/10.18653/v1%2FD16-1021.
  11. Dolhopolov S., Honcharenko T., Dolhopolova S., Riabchun O., Delembovskyi М., (2022). Use of Artificial Intelligence Systems for Determining the Career Guidance of Future University Student”, in SIST 2022, 2022 M. International Conference on Smart Information Systems and Technologies, Nur-Sultan Kazakhstan, 28–30 April 2022, https://doi.org/10.1109/SIST54437.2022.9945752
  12. Honcharenko T., Akselrod R., A. Shpakov, O. Khomenko, (2023). Information system based on multi-value classification of fully connected neural network for construction management, IAES International Journal of Artificial Intelligence, 12(2), Р. 593–601 https://ijai.iaescore.com/index.php/IJAI/article/view/21864.
References: 
  1. Fan, Y., Zhou, Y. & Yuan, Z. (2024). Interior Design Evaluation Based on Deep Learning: A Multi-Modal Fusion Evaluation Mechanism. Mathematics, 1–15. DOI: https://doi.org/10.3390/math12101560.
  2. Kim, J. & Lee, J. (2020). Stochastic Detection of Interior Design Styles Using a Deep-Learning Model for Reference Images. Applied Sciences, 1–20. DOI: https://doi.org/10.3390/app10207299.
  3. Chen, J., Shao, Z., Cen, C. & Li, J. (2023). HyNet: A novel hybrid deep learning approach for efficient interior design texture retrieval. Multimedia Tools and Applications, 83, 28125-28145. DOI: https://doi.org/10.1007/s11042-023-16579-0.
  4. Rahbar, M., Mahdavinejad, M., Markazi, A. H. & Bemanian, M. (2022). Architectural layout design through deep learning and agent-based modeling: A hybrid approach. Journal of Building Engineering, 47, 103822. DOI: https://doi.org/10.1016/j.jobe.2021.103822.
  5. Zhu, L., Xu, M., Bao, Y., Xu, Y. & Kong, X. (2022). Deep learning for aspect-based sentiment analysis: a review. PeerJ Computer Science, 8, 1–37. DOI: https://doi.org/10.7717/peerj-cs.1044.
  6. Dwedari, M. M., Nießner, M. & Chen, D. (2023). Generating Context-Aware Natural Answers for Questions in 3D-Scenes. ArXiv, abs/2310.19516, 1–13. DOI: https://doi.org/10.48550/arXiv.2310.19516.
  7. Dai, A., Nießner, M., Zollhöfer, M., Izadi, S. & Theobalt, C. (2017). Bundlefusion: Real-time globally consistent 3D-reconstruction using on-the-fly surface reintegration. ACM Transactions on Graphics (ToG), 36 (4), 1.
  8. Chang, A. X., Dai, A., Funkhouser, T.A., Halber, M., Nießner, M., Savva, M., Song, S., Zeng, A. & Zhang, Y. (2017). Matterport 3D: Learning from RGB-D Data in Indoor Environments. 2017 International Conference on 3D Vision (3DV),
    667–676. DOI: https://doi.org/10.1109/3DV.2017.00081.
  9. Pennington, J., Socher, R. & Manning, C. D. (2014). GloVe: Global Vectors for Word Representation. Conference on Empirical Methods in Natural Language Processin, pp. 1532–1543. DOI: https://doi.org/10.3115/v1%2FD14-1162.
  10. Tang, D., Qin, B. & Liu, T. (2016). Aspect Level Sentiment Classification with Deep Memory Network. Conference on Empirical Methods in Natural Language Processing, 1–11. DOI: https://doi.org/10.18653/v1%2FD16-1021.
  11. Dolhopolov, S., Honcharenko, T., Dolhopolova, S., Riabchun, O., Delembovskyi, М. (2022). Use of Artificial Intelligence Systems for Determining the Career Guidance of Future University Student”, in SIST 2022, 2022 M. International Conference on Smart Information Systems and Technologies, Nur-Sultan Kazakhstan, 28–30 April 2022, https://doi.org/10.1109/SIST54437.2022.9945752
  12. Honcharenko, T., Akselrod, R., Shpakov, A., Khomenko, O. (2023). Information system based on multi-value classification of fully connected neural network for construction management. IAES International Journal of Artificial Intelligence, 12 (2), 593–601 https://ijai.iaescore.com/index.php/IJAI/article/view/21864