딥 러닝을 활용한 한국 아파트 단위평면 진화과정 분석 (An Analysis on the Evolution of Korean Apartment Unit Plans using Deep Learning)

서지정보

· 발행기관 : 대한건축학회
· 수록지 정보 : 대한건축학회논문집 / 37권 / 10호 / 13 ~ 22페이지
· 저자명 : 안의순

초록

딥 러닝은 한국 아파트 전수 사례 분석의 걸림돌인 빅데이터 규모의 이미지 인식에 뛰어난 성능을 보인다. 이미 여러 선행연구에서 딥 러닝을 적용한 건축물 이미지 분석을 수행하였지만, 한국 아파트를 분석하기 위해서는 한국 아파트 데이터셋으로 훈련된 딥 러닝 모형이 필요하였다. 이 연구에서는 딥 러닝, 바이클러스터링 및 활성화 매핑 기법을 적용한 딥 러닝 기반 평면도 분석 방법론을 개발하였다. 이 방법론은 이미지의 클래스 분류를 참고하지만 이에 국한되지 않고, 평면도 이미지 간의 유사성을 기반으로 귀납적 분류를 수행한다. 다음으로, 약 5만 개 평면도 이미지를 수집 및 정규화하여 구축한 한국 아파트 단위평면 데이터셋을 구축하고, 이 연구의 방법론을 적용하여 데이터셋을 분석하였다. 그 결과, 딥 러닝 모형의 잠재표현에서 도출된 단위평면 유형의 바이클러스터들은 시기적으로 잘 군집된 모습을 보였다. BAM (bicluster activation mapping) 분석 결과는 단위평면 유형이 선행 아파트 연구의 발견과 일치하는 각 시기의 새로운 계획 경향이 나타난 영역을 발견할 수 있음을 보여주었다. 이러한 발견은 한국 아파트나 건축계획에 대한 사전 지식 없이 이루어진 것이므로, 이를 통하여 귀납적 건축공간 연구의 가능성을 확인하였다.

영어초록

Deep learning methods have shown outstanding performance in image recognition on a big data scale, which has been the bottleneck in research on Korean apartments. Several studies have applied deep learning to architectural images, but analyzing Korean apartments required a deep learning model trained on a Korean apartment dataset. We developed an architectural research methodology for floor plan images, which utilizes deep learning, biclustering, and activation mapping methods. The method performs an inductive classification based on the similarity between floor plan images, guided by but not limited to accompanied class labels. We constructed a 50K unit plan image dataset of Korean apartments by collecting and normalizing floor plan images and analyzed the dataset using the developed method. The biclusters of unit plan types, extracted from the learned representation of the model, also showed a closely grouped temporal arrangement. Further examination on the unit plan types using bicluster activation mapping (BAM) showed that the deep learning model could discover areas where new design trend of the era emerged, without any prior knowledge on Korean apartments or architectural design in general.

참고자료

· 없음