基于改进MVCNN的IFC构件分类识别审查方法

为实现IFC构件精确、高效分类，提出一种改进的多视图卷积神经网络（Multi-view Convolutional Neural Network， MVCNN）模型，该模型引入了自注意力模块和长短期记忆（Long Short-term Memory，LSTM）网络，针对MVCNN模型特征融合的局限性，设计了LSTM_ATT模块；通过对各视图数据特征关系的自适应调整，并结合注意力权重对输入的各视图数据进行融合，得到一个更具辨识性的3D形状描述符，从而提高模型对各相似IFC构件的分类检测性能. 使用IFCNet数据集对建筑领域20个主要类别的IFC构件进行训练并在测试集上对改进MVCNN模型与MVCNN模型进行实验对比. 实验结果表明，改进模型的分类准确率和F1值分别达到了88.27%、86.72%，相比改进前准确率提高了9.46%，对相似构件之间的分类识别效果明显.

IFC Component Classification and Identification Review Method Based on Improved MVCNN