《Frontiers in Artificial Intelligence》：FloorYOLO: an attention-enhanced YOLOv8n for floor plan object recognition
编辑推荐：
引言：建筑平面图图像中诸如门、墙、窗户等结构要素以及房间类别的精确自动化识别与分类，对于当今房地产与建筑领域的应用至关重要。传统方法存在空间关系缺失、类内方差高、密集排列普遍以及边界难以界定等问题，这推动了基于深度学习的高效检测架构的发展。方法：本文提出了
引言：建筑平面图图像中诸如门、墙、窗户等结构要素以及房间类别的精确自动化识别与分类，对于当今房地产与建筑领域的应用至关重要。传统方法存在空间关系缺失、类内方差高、密集排列普遍以及边界难以界定等问题，这推动了基于深度学习的高效检测架构的发展。方法：本文提出了一种基于YOLOv8并结合高效通道注意力（Efficient Channel Attention，ECA）模块的建筑平面图结构构件自动检测与定位新方法。在该技术中，YOLOv8作为检测多类目标的骨干模型，而ECA模块通过在通道间考虑局部交互来增强特征表示，且不会带来显著额外计算开销。此外，路径聚合网络（Path Aggregation Network，PAN）颈部结构融合了图像数据中精细的空间信息与语义信息以增强多级特征，YOLOv8检测头则执行检测任务。研究人员在SESYD数据集和CVC-FP（Computer Vision Center Floor Plan）数据集上对所提出系统进行了测试，这些数据集包含图像中的密集排列和尺度变化。结果：所提出模型在视觉相似的类内符号变体之间展现出更强的区分能力——这一直是规则方法和深度学习方法面临的难题——在包含16个类别的SESYD基准数据集上，所提出模型取得了0.9794的mAP@0.5:0.95和0.9950的mAP@0.5；在CVC-FP数据集上，mAP@0.5达到0.8241，而基线模型为0.8116。讨论：所提出的FloorYOLO方法代表了在合成与真实平面图基准数据集上进行的首批双重数据集评估之一，证明了轻量级通道注意力可以有效集成到现有检测骨干中以改善平面图图像中的结构要素识别。
**论文解读**
**一、研究背景与问题现状**
建筑平面图的分析是建筑设计、建筑信息模型（Building Information Modeling，BIM）、房地产管理和室内导航技术中的关键环节。自动识别建筑构件（如窗户、墙体、门、家具和房间）能够实现建筑平面图的高效数字化与深度理解。然而，与自然图像不同，平面图具有基于边界的表达特性、符号化呈现方式以及多样化的绘图风格，这使其分析更加困难。传统的基于规则和基于图像处理的方法依赖手工特征与启发式规则，在应对复杂平面图时泛化能力明显不足。
近年来，以Faster R-CNN和YOLO系列为代表的深度学习目标检测方法被引入平面图分析领域，取得了良好效果。然而，现有基于YOLO的平面图检测方法大多忽略了对骨干网络和颈部网络中每个通道进行独立重新校准的必要性。鉴于平面图图像纹理稀疏、类内符号视觉相似度高（例如SESYD数据集中包含四种水槽和三种桌子），这一问题尤为突出。此外，大多数现有方法仅评估单一数据集的表现，跨数据集泛化能力尚未得到充分探索。因此，如何在保持模型轻量化的前提下增强特征判别能力，并验证其在不同数据集上的鲁棒性，成为该领域亟待解决的核心问题。
**二、研究内容与意义**
针对上述挑战，研究人员提出了一种名为FloorYOLO的新方法。该方法以YOLOv8n为骨干框架，将高效通道注意力（Efficient Channel Attention，ECA）模块集成至骨干网络和路径聚合网络-特征金字塔网络（PAN-FPN）颈部中所有C2f模块的输出端。ECA通过自适应的一维卷积实现局部跨通道交互，在不引入显著额外计算的前提下，使网络能够有选择地增强信息量大的特征通道，抑制冗余通道。研究人员还引入了残差跳跃连接（称为ResECA），防止薄边界信号在通道重新校准过程中丢失。在SESYD和CVC-FP两个数据集上的实验结果表明，FloorYOLO在mAP、精确率和召回率方面均优于基线模型，验证了轻量级通道注意力在平面图结构要素识别中的有效性。该方法输出的结构和家具要素信息有望辅助自动化BIM生成、房间类型标注与分割、基于增强现实（Augmented Reality，AR）的室内导航、疏散路径规划以及三维平面图重建等多种下游任务。
**三、关键技术方法**
研究采用YOLOv8n作为基础检测架构（该模型以改良的CSPDarknet为骨干，使用C2f模块提取层次化特征，结合PAN-FPN颈部进行多尺度特征融合，并采用解耦检测头分别预测边界框和类别）。核心改进在于将ECA模块嵌入所有C2f模块的输出端，ECA通过全局平均池化将特征图压缩为通道描述符后，利用自适应核大小的一维卷积生成通道注意力权重，再通过Sigmoid函数激活并与原始特征图逐元素相乘实现通道重新校准，最终通过残差连接将原始特征图与重新校准后的特征图相加输出。模型训练采用AdamW优化器，学习率0.001，权重衰减0.0005，批量大小16，图像尺寸640×640像素，训练30个轮次，使用预训练权重辅助收敛。评估在SESYD数据集（包含1000张合成平面图，16个符号类别，按70%、15%、15%划分训练、验证和测试集）和CVC-FP数据集（包含123张真实扫描平面图，含房间、门、窗户、桌子等类别，98张用于训练，25张用于验证）上进行。
**四、研究结果**
（1）SESYD数据集性能评估。FloorYOLO模型在SESYD测试集上取得了mAP@0.5为0.9950、mAP@0.5:0.95为0.9794、精确率为0.9984、召回率为0.9994的优异结果。与YOLOv8n基线模型（mAP@0.5:0.95为0.974、精确率为0.9973）相比，FloorYOLO在更严格的mAP@0.5:0.95指标和精确率上均有提升。大多数类别的平均精度接近1，仅window1和window2类别的精度略低于0.95。
（2）消融实验。研究进行了系统的消融实验：采用CBAM（Convolutional Block Attention Module，卷积块注意力模块）替代ECA导致各项指标明显下降，mAP@0.5:0.95降至0.8724，召回率降至0.9582，表明CBAM的空间注意力分支会削弱平面图中原本就微弱的细线信号。将ECA分别置于仅骨干网络、仅颈部网络以及二者结合位置进行比较，发现仅骨干网络放置方案在mAP@0.5:0.95上表现最优（0.976），而FloorYOLO在此基础上通过引入残差连接实现了进一步增益（0.9794）。在困难子集分析中，FloorYOLO在小尺寸符号子集（小于32×32像素）上mAP@0.5:0.95从0.9742提升至0.9777，在密集重叠实例子集上从0.9777提升至0.9810，且实现了完美召回率（1.0）。
（3）与现有方法比较。FloorYOLO在SESYD数据集上以更轻量化的单阶段架构达到了与半监督Mask R-CNN相当的mAP@0.5（0.9950）。对比YOLOv10n、YOLOv11n、YOLOv12n、YOLOv26n等变体，FloorYOLO在参数数量（3.014 M）和计算量（8.208 GFLOPs）不变的情况下，mAP@0.5:0.95均表现最优。GPU推理速度仅较基线下降约1.2%（从97.79 FPS降至96.66 FPS），CPU推理速度下降约5.2%（从6.60 FPS降至6.26 FPS），证明了精度提升几乎不增加计算开销。
（4）CVC-FP数据集性能评估。FloorYOLO在CVC-FP验证集上取得了mAP@0.5为0.8241、mAP@0.5:0.95为0.4805、精确率为0.8146、召回率为0.7570的结果，相较于YOLOv8n基线（mAP@0.5为0.8116、mAP@0.5:0.95为0.4695）各项指标均有提升。错误分析显示，FloorYOLO在区分门和窗符号方面大幅改善了基线模型的分类错误，窗户类别的正确识别率从71.8%显著提升。
**五、讨论与结论**
讨论部分指出，该方法在SESYD和CVC-FP数据集上的实验结果表明模型在mAP、精确率和召回率方面均优于基线模型，检测所得的结构与家具要素信息可辅助自动化BIM生成、AR室内导航、疏散规划和三维重建等多种下游应用，但这些下游流程尚未在本研究中实证验证。研究人员同时指出，额外的注意力机制引入了少量计算负载，且评估数据集在建筑尺度和功能类型上代表性有限；SESYD与CVC-FP之间存在显著的领域偏移（mAP@0.5:0.95从0.9794降至0.4805），未来可通过领域随机化或风格迁移预处理来弥合这一差距。
结论部分指出，本研究通过引入ECA机制改进了检测模型的特征表示能力，主要目标是在减少人工标注时间和劳动的同时实现平面图的半自动评估。FloorYOLO模型在SESYD和CVC-FP数据集上进行了训练，利用ECA增强了模型识别房间类型、检测家具和识别结构（包括不规则角度结构）的能力。尽管从混合平面图集中提取特征仍然是一项困难的任务，ECA相比传统检测模型同时提升了精度和整体检测性能。未来工作应使用更大、更多样化的数据集，并探索在高度杂乱或复杂的平面布局中进一步提升性能的途径。
