노인 대상 주택 평가를 위한 주거 평면도 속성의 딥러닝 기반 예측

요약

이 프로토콜은 주거용 평면도 이미지를 자동화한 분석을 위한 메타 앙상블 딥러닝 워크플로우를 설명합니다. 이 과정에는 데이터셋 전처리, 다중 합성곱 신경망을 이용한 아키텍처 속성 예측, 스태킹 기반 앙상블 학습, 규칙 기반 주거 분류, 그리고 주거 배치 평가를 지원하는 SHapley Additive exPlanations를 이용한 설명 가능성 분석이 포함됩니다.

초록

고령 인구를 위한 스마트 하우징 솔루션에 대한 수요 증가는 주거용 평면도 분석을 위한 자동화 방법에 대한 필요성을 증가시켰습니다. 기존의 건축 평가 방식은 수작업과 시간이 많이 소요되며 확장이 어렵기 때문에, 공간 배치를 해석하고 주거 디자인 평가를 지원할 수 있는 인공지능 기반 기법의 필요성을 부각시킵니다. 이 프로토콜은 주거용 평면도 이미지를 자동화 분석하기 위한 메타-앙상블 딥러닝 프레임워크를 설명합니다. 제안된 CARE-MIRV-Net 프레임워크는 MobileNetV2, InceptionV3, ResNet101, VGG16 등 네 가지 상호 보완적인 컨볼루션 신경망을 통합하여 평수, 침실, 욕실, 차고 등 건축 속성을 예측합니다. 기본 모델의 예측은 스택 기반의 메타 앙상블 모델을 통해 결합되고, 이후 규칙 기반 의사결정 계층 내에서 노인 돌봄, 의료 또는 일반 주거 배치를 분류하는 데 사용됩니다. 실험 평가는 여러 대상 변수에 걸쳐 견고한 예측 성능을 입증했습니다. 제안된 모델은 평방피트 예측에서 평균 절대 오차(MAE)가 432.48, 결정계수(R²)가 0.7053을 달성했습니다. 욕실 예측에서는 R² 가 0.7605를 달성했으며, 차고 예측은 가장 낮은 MAE가 0.1697, 최고^R2 가 0.6958이었습니다. 정성적 분석을 통해 이 프레임워크가 건축 속성 예측을 생성하고 응용 지향적 주거 배치 평가를 지원할 수 있음을 입증했습니다. 투명성과 해석 가능성을 높이기 위해 SHapley 추가 설명이 도입되어 각 기본 모델이 최종 예측에 얼마나 기여하는지 정량화하였습니다. 제안된 프레임워크는 주거용 평면도 분석 및 의사결정 지원을 위한 해석 가능하고 확장 가능한 접근법을 제공합니다.

서론

스마트 시티 기술과 스마트 주거 환경의 급속한 발전은 주거 설계에서 자동화되고 데이터 기반 솔루션에 대한 수요를 증가시켰습니다. 특히 고령화 인구의 증가와 의료 지향 주택에 대한 수요는 기능적이고 특정 사용자 그룹의 요구에 맞춘 주거 공간 설계의 중요성을 더욱 부각시켰습니다 ^1,2. 기존의 건축 평면도 분석 방법은 종종 수작업이고 시간이 많이 소요되며 전문가의 해석에 의존합니다; 따라서 비효율적이고 확장하기 어렵습니다. 이로 인해 주거 배치를 자동으로 분석하고 정보에 기반한 의사결정을 지원할 수 있는 지능형 시스템에 대한 강한 필요성이 생겼습니다^.

특히 딥러닝(DL)과 컴퓨터 비전 분야에서 인공지능(AI)의 최근 발전은 이미지 기반 데이터 분석의 질을 크게 향상시켰습니다. 합성곱 신경망(CNN)은 공간 특징 추출과 복잡한 시각 패턴 학습에 매우 효과적임이 입증되어 평면도 이미지 분석에 적합하다 ^4,5,6. 이 모델들은 건축 속성을 예측하는 데 필수적인 방 구조, 배치 조직, 공간적 관계의 암묵적 표현을 학습할 수 있습니다 ^7,8. 그러나 단일 DL 모델에 의존하면 서로 다른 아키텍처가 공간적 특징에 집중하고 아키텍처 변동성에서 비롯된 편향을 보일 수 있으므로 일반화가 제한될 수 있습니다^. 이러한 발전에도 불구하고, 기존 접근법은 여러 모델을 결합하고 다중 출력 예측을 지원하며 응용 수준 해석성을 제공하는 통합 프레임워크가 부족한 경우가 많습니다. 더불어, 의료 지향적 주거 평가와 설명 가능성은 평면도 분석 시스템 내에서 상대적으로 제한적인 관심을 받았습니다. 이러한 포괄적인 프레임워크의 부재는 특히 투명성과 의사결정 지원이 중요한 분야에서 실용적 적용성과 해석 가능성을 제한합니다 10,11,12.

AI는 건축 평면도의 자동 분석 및 생성에도 크게 기여했습니다. 한 연구는 머신러닝(ML)을 활용해 2차원 평면도를 3차원 모델로 변환하는 방법을 조사했습니다¹³. 저자들은 기존의 컴퓨터 지원 설계(CAD) 기반 방법의 한계를 강조하고, 공간 이해를 위한 확장 가능한 AI 기반 파이프라인의 중요성을 강조했습니다. 그들의 연구 결과는 DL이 평면도에서 구조 정보를 효과적으로 추출할 수 있음을 보여주었으나, 일반화와 데이터 변동성 관련 과제는 여전히 남아 있습니다. 또 다른 연구는 자동화된 평면도 생성을 위한 다중 에이전트 심층 강화 학습 프레임워크를 제안했습니다.¹⁴. 이 접근법은 건축 설계에 상당한 유연성과 맞춤화를 제공하지만, 기존 평면도의 예측 분석보다는 주로 설계 생성에 중점을 둡니다.

포괄적인 평면도 검색 조사는 평면^{도를 이해하기} 위해 의미적, 공간적, 형태 기반, 질감 기반 특징들을 검토했습니다. 설문조사는 의미 있는 표현을 배우는 데 CNN과 트랜스포머 기반 아키텍처를 포함한 DL 모델의 중요성을 강조했습니다. 하지만 복잡한 레이아웃에서 노이즈, 왜곡, 특징 구별과 관련된 문제도 확인했습니다. 마찬가지로, ML 기반 접근법은 평면도 인식을 위해 위상적 및 시각적 관계를 통합^{했습니다.} 이 연구는 시각적 접근성과 공간적 연결성이 건축 배치 이해에 중요하다는 것을 보여주었지만, 다중 출력 예측이나 앙상블 학습 전략에는 대해서는 다루지 않았습니다. 생성형 AI는 건축 분야에서도 탐구되어 왔습니다. 건축 분야에서의 생성형 AI 리뷰에서는 생성적 적대적 네트워크(GAN), 변분 자동인코더(VAE), 확산 모델의 설계 자동화 활용을 검토했다¹⁶. 저자들은 실용적인 건축 워크플로우에서 AI 도구의 도입이 증가하고 있음을 강조했습니다. 하지만 그 작업의 초점은 예측 모델링이나 의사결정 지원 애플리케이션보다는 설계 생성에 있었습니다. 설명 가능한 AI는 DL 모델 해석에 점점 더 중요해지고 있습니다. 한 연구는 도시 시뮬레이션 응용에서 DL 모델 해석을 위한 SHapley Additive exPlanations(SHAP) 기반 프레임워크를 제안했습니다¹⁷. 결과는 SHAP이 영향력 있는 특징을 식별하고 전 지구적·지역 수준 모두에서 해석 가능성을 향상시킬 수 있음을 보여주었습니다. 이 연구는 공간 응용 분야에서 SHAP의 가치를 지지하지만, 앙상블 학습 프레임워크와의 통합에 대해서는 조사하지 않았습니다. 최근 DL 아키텍처의 발전은 이미지 기반 작업에서 성능을 더욱 향상시켰습니다. 한 연구는 CNN 기반 및 트랜스포머 기반 아키텍처를 포함한 현대 DL 모델에 대한 포괄적인 검토를 제시^{했습니다.} 이 연구는 일반화 성능 향상을 위한 모델 선택과 하이브리드 아키텍처의 중요성을 강조했습니다. 그러나 평면도 해석 적용 분야를 구체적으로 다루지는 않았습니다. 대규모 데이터셋은 아키텍처 분석의 발전에도 기여했습니다. 예를 들어, 한 연구에서는 수천 개의 복잡한^평면도를 포함하는 벤치마크 데이터셋을 도입했습니다. 이 연구는 기존 모델들이 대규모 및 다중 아파트 배치 분석 시 여전히 도전에 직면하고 있음을 보여주며, 보다 견고하고 일반화 가능한 접근법의 필요성을 강조했습니다.

DL은 앙상블 학습에서도 광범위하게 연구되어 왔습니다. 최근 딥 앙상블 방법에 관한 연구에서는 여러 모델을 결합하면 편향과 분산을 줄여 예측 정확도와 견고성을 크게 향상시킬 수 있음이 밝혀졌습니다²⁰. 이러한 방법들은 효과적임에도 불구하고, 특히 다중 출력 회귀 작업에서 건축 평면도 분석에 널리 적용되지는 않았습니다. 더 나아가, 최근 자동화된 평면도 분석에 관한 연구들은 예측, 분류, 해석 가능성을 결합한 통합 프레임워크의 중요성을 강조했습니다 21,22,23. 기존 연구는 일반적으로 특징 추출, 레이아웃 생성, 분류와 같은 개별 기능에 초점을 맞추고 있습니다. 따라서 다중 모델 학습, 주거 배치 평가, 설명 가능한 AI를 통합한 통합 프레임워크 개발에는 명확한 연구 격차가 남아 있습니다. DL과 아키텍처 분석에서 상당한 진전이 있었음에도 불구하고, 여전히 여러 연구의 공백이 남아 있습니다. 기존 연구의 대부분은 평면도 인식, 특징 추출 또는 레이아웃 생성에 집중하면서, 다중 출력 예측과 애플리케이션 수준의 의사결정을 모두 지원하는 통합 프레임워크를 제공하지 않습니다. 또한 많은 접근법이 단일 DL 모델에 의존하여 다양한 공간적 특성을 포착하는 데 제한이 있을 수 있고, 모델별 편향을 초래할 수 있습니다. 평면도 분석을 위한 앙상블 학습은 특히 견고성을 높이기 위한 이기종 모델 통합에 있어 상대적으로 충분히 탐구되지 않았습니다. 더욱이, 주거 분류에 대한 관심이 제한적이며, 노인 대상 주택 고려와 해석 가능성에 중점을 두고 있습니다. 많은 DL 모델이 블랙박스처럼 작동하기 때문에, 그 예측의 근거를 이해하는 것은 여전히 어렵습니다. 이러한 한계는 다중 모델 학습, 정확한 예측, 응용 지향적 주거 분류, 설명 가능한 AI를 통합한 포괄적인 프레임워크의 필요성을 강조합니다.

본 연구는 공간 인식과 주거 배치 평가에 중점을 두고 주거용 평면도 이미지 분석을 위한 자동화된 프레임워크를 제시하여 이러한 문제를 해결합니다. 제안된 프레임워크는 CARE-MIRV-Net이라는 메타 앙상블 DL 모델을 도입하며, MobileNetV2, InceptionV3, ResNet101, VGG16 등 네 개의 상호 보완적인 CNN을 스태킹 기반 아키텍처^{24, 25, 26, 27} 안에 통합합니다. 각 모델은 면적, 침실, 욕실, 차고 등 주요 건축 특성을 독립적으로 예측합니다. 이 예측들은 이후 메타 학습기에 의해 결합되어 정제된 예측을 생성합니다. 또한, 규칙 기반 의사결정 계층을 사용하여 주거 배치를 예측된 속성에 따라 노인 돌봄, 의료 또는 일반 주거로 분류합니다.

이 연구의 기여는 다음과 같습니다. 첫째, 주거용 평면도 이미지에서 건축 속성을 다중 출력 예측하기 위해 메타 앙상블 DL 프레임워크를 제안합니다. 둘째, CARE-MIRV-Net 모델은 네 가지 CNN 아키텍처를 통합하여 예측 정확도와 일반화를 향상시킵니다. 셋째, 예측된 건축 속성을 기반으로 애플리케이션 지향적 주거 레이아웃 분류를 지원하기 위해 규칙 기반 의사결정 계층이 통합되었습니다. 넷째, SHAP 기반 설명 가능한 AI가 통합되어 모델의 투명성과 해석 가능성을 향상시킵니다. 마지막으로, 평균 절대 오차(MAE)와 결정 계수(R²)를 성능 지표로 사용하여 제안된 프레임워크를 평가하기 위한 광범위한 실험이 수행되었습니다.

프로토콜

이 연구는 Kaggle 플랫폼에서 공개된 데이터셋(Floor Plan Images and Their Details, https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details 제공; 2026년 4월 16일 접속)을 사용했습니다. 이 실험에는 인간 참가자, 동물, 개인 식별 데이터가 포함되지 않았으며; 따라서 윤리적 승인과 사전 동의가 필요하지 않았습니다.

이 프로토콜은 공간 인식 및 의료 지향 설계에 중점을 둔 주거용 평면 이미지를 자동화 분석하는 AI 기반 프레임워크를 제시합니다. 전체 실험 워크플로우는 그림 1에 제시되어 있습니다. 이 프로토콜은 저수준 아키텍처 특징 예측과 고수준 애플리케이션 지향 의사결정 간의 간극을 메우도록 설계되었습니다. DL, 앙상블 모델링, 설명 가능한 AI를 통합하여 주거 배치 분석을 위한 정확하고 견고하며 해석 가능한 솔루션을 제공합니다. 이 프레임워크는 데이터 수집과 전처리로 시작하여 딥 CNN, 메타 앙상블 예측, 그리고 마지막으로 응용 수준 분류를 이용한 특징 학습으로 구성됩니다. 초기에는 평면도 이미지와 이에 대응하는 건축 속성을 크기 조정, 정규화, 데이터 보강을 통해 일관성을 보장하고 일반화를 개선하기 위해 사전 처리됩니다. 모든 평면도 이미지는 224 × 224 픽셀로 크기 조정되고 [0, 1] 범위로 정규화되었습니다. 학습 중 무작위 수평 뒤집기, 회전, 확대, 폭/높이 이동을 이용한 데이터 증강이 모델 일반화 개선과 과적합 감소를 위해 적용되었습니다. 수직 뒤집기는 적용되지 않았습니다. 완전한 증강 매개변수와 구현 세부 사항은 보조 파일 1에 제공되어 있습니다. 처리된 데이터는 여러 DL 모델을 학습시켜 특징 추출과 예측을 수행했습니다. 모든 기본 모델과 CARE-MIRV-Net 메타 학습기는 데이터 증강, 조기 중단, 적응형 학습률 스케줄링 등 일관된 구성으로 훈련되었습니다. 조기 중단은 인내심 값 5 에포크의 검증 손실(val_loss)을 모니터링했으며, 학습 후 최적의 모델 가중치가 자동으로 복원되었습니다. 적응형 학습률 스케줄링은 ReduceLROnPlateau 콜백을 사용하여 구현되었으며, 이 콜백은 검증 손실을 모니터링하고 개선이 없는 2 에포크에서 학습률을 0.3배 감소시켰으며, 최소 학습률은 1 × 10^⁻7이었습니다. 완전한 구현 세부사항과 매개변수 설정은 보충 파일 1에 제공되어 있습니다. 데이터셋은 80:20 분할 비율로 무작위로 훈련 세트와 테스트 세트로 나뉘었습니다. 재현성을 보장하기 위해 고정된 무작위 시드(42)가 사용되었습니다. 전체 구현 세부사항은 보충 파일 1에 제공되어 있습니다.

그림 1. 주거용 평면도 분석을 위한 CARE-MIRV-Net 프레임워크의 워크플로우. 제안된 프로토콜의 개략 개요. 워크플로우에는 (1) 데이터셋 획득 및 전처리, (2) MobileNetV2, InceptionV3, ResNet101, VGG16을 이용한 특징 학습 및 예측, (3) CARE-MIRV-Net을 이용한 스태킹 기반 메타 앙상블 예측, (4) 규칙 기반 주거용 배치 분류, (5) SHapley 적법 해석 가능성 분석, (6) 성능 평가가 포함됩니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

두 번째 단계에서는 네 개의 사전 학습된 CNN, MobileNetV2, InceptionV3, ResNet101, VGG16이 기본 학습자로 사용됩니다. 각 모델은 전이 학습을 통해 평수, 침실, 욕실, 차고 등 주요 건축 속성을 예측하기 위해 미세 조정됩니다. 각 전이 학습 모델에 대해 하위 사전 학습 계층은 고정된 상태로 유지되었고, 상위 계층과 맞춤형 회귀 헤드는 훈련 중에 미세 조정되었습니다. 모델별 세부 조정 구성은 보충 파일 1에 제공되어 있습니다. 이 모델들은 공간 정보의 다양한 측면을 포착합니다: MobileNetV2는 효율적인 특징 추출을 제공하고, InceptionV3는 다중 스케일 공간 패턴을 포착하며, ResNet101은 깊은 계층적 표현을 학습하고, VGG16은 안정적이고 일관된 특징 학습을 보장합니다. 이들 모델 간의 다양성은 프레임워크의 전반적인 표현 능력을 향상시킵니다.

예측의 정확성과 견고성을 더욱 높이기 위해 CARE-MIRV-Net으로 표기되는 스태킹 기반 메타-앙상블 모델이 제안되었습니다. 이 단계에서 모든 기본 모델의 예측을 모아 더 높은 차원의 특징 공간을 생성하며, 이를 메타 학습자에게 입력합니다. 기본 모델 예측은 먼저 훈련된 MobileNetV2, InceptionV3, ResNet101, VGG16 모델을 사용하여 독립적으로 생성됩니다. 이 예측들은 연결되어 메타 학습자가 사용하는 메타 특징 벡터를 형성합니다. 데이터 유출을 방지하기 위해 훈련 데이터셋과 테스트 데이터셋은 엄격히 분리되어 있으며, 메타 학습자는 훈련 데이터에서 생성된 예측만을 기반으로 학습됩니다. 완전 연결된 신경망인 메타모델은 기본 모델 출력의 최적 조합을 학습하여 정제된 예측을 도출하도록 훈련됩니다. 메타 모델은 ReLU 활성화를 사용하여 512개와 256개의 뉴런이 있는 두 개의 완전 연결 층으로 구성되며, 그 다음에 드롭아웃 층(0.4 및 0.3), 그리고 선형 출력 층이 있습니다. 이 모델은 Adam 최적화기(학습률 = 0.0001), 배치 크기 32, 최대 15 에포크를 사용하여 학습됩니다. 조기 중단은 인내심 값 5 에포크로 검증 손실(val_loss)을 모니터링하여 구현되었습니다. 최소 개선 기준(min_delta)은 TensorFlow 기본값 0으로 설정되었고, 학습 후 최적의 모델 가중치가 자동으로 복원되었습니다. 적응형 학습률 스케줄링은 ReduceLROnPlateau 콜백을 사용하여 구현되었으며, 이 콜백은 검증 손실을 모니터링하고 2년 연속 에포크에서 개선이 없을 때 학습률을 0.3배 감소시켰습니다. 최소 학습 속도는 1 × 10^⁻7로 설정되었고, 쿨다운 매개변수는 기본 텐서플로우 값 0을 사용했습니다. 이 앙상블 방법은 개별 모델 편향을 줄이고 여러 아키텍처의 상호 보완적 강점을 통해 일반화를 향상시킵니다. 자세한 구현 정보는 보충 파일 1에 제공되어 있습니다.

예측 후에는 해석 계층이 추가되어 수치 출력을 애플리케이션 수준의 의사결정으로 변환합니다. 주거 배치는 건축적 특성 예측에 따라 노인 돌봄, 의료 통합(의료 서비스), 일반 주거 용도의 세 가지 범주로 분류할 수 있습니다. 이 분류는 예측된 평수, 침실 수, 욕실 수를 기반으로 미리 정의된 임계값 기반 의사결정 규칙을 사용하여 수행됩니다. 가장 높은 점수를 가진 카테고리가 최종 분류로 지정되며, 동점은 더 많은 결정 기준을 만족하는 카테고리를 선택하여 결정합니다. 전체 점수 규칙과 분류 임계값은 보조 파일 2 (알고리즘 1)에 제공되어 있습니다. 이 조치는 주거 주택 설계에 실질적인 정보를 제공할 수 있게 합니다.

이 프레임워크는 SHAP을 활용한 설명 가능한 AI를 사용하여 투명성과 해석 가능성을 제공합니다. 이 구성 요소는 각 기본 모델의 예측이 메타 모델 출력에 얼마나 기여하는지 검토합니다. SHAP 분석은 SHAP KernelExplainer(SHAP 버전 0.51.0)를 사용하여 배경 데이터셋으로 100개의 무작위 학습 샘플과 설명 생성을 위한 50개의 테스트 샘플을 사용하여 수행되었습니다. 배경 샘플 선택 및 구현 설정을 포함한 완전한 SHAP 구성은 보충 파일 1에 제공되어 있습니다. 설명 가능성 계층은 특징 중요성을 측정하고 기여 패턴을 표시함으로써 의사결정 과정을 이해하는 데 도움을 주어 모델의 투명성과 신뢰성을 향상시킵니다. 제안된 프레임워크는 모든 목표 변수에 대해 MAE와 R² 를 사용하여 평가됩니다. 다중 출력 예측의 경우, MAE는 모든 목표 변수에 대한 실제 값과 예측값 간의 평균 절대 차이로 계산되었고, R² 는 각 출력에 해당하는 실제 값과 예측값의 설명 분산을 비교하여 계산되었습니다. 정량적 및 정성적 분석 결과, 제안된 CARE-MIRV-Net은 예측 정확도를 향상시키고 규칙 기반 주거 배치 분류를 지원한다는 점이 나타났습니다. 분류 신뢰도는 기초 회귀 예측의 정확성과 규칙 기반 의사결정 계층의 일관성을 바탕으로 평가되었습니다. 이 프레임워크는 지능형 평면도 분석에 적합하고 확장 가능한 솔루션으로, 스마트 하우징, 노인 돌봄 계획, 의료 지향 주거 설계에 적용할 수 있습니다. 본 연구에 사용된 데이터셋, 소프트웨어 패키지, 라이브러리, 하드웨어 자원 및 계산 도구의 전체 목록은 재료표에 제공되어 있습니다. 소스 코드, 환경 구성 정보, 소프트웨어 의존성 명세, 보고된 워크플로우를 재현하는 데 필요한 구현 스크립트는 보충 파일 1에 제공됩니다.

프로토콜 알고리즘

제안된 프레임워크는 주거용 주택의 이미지 기반 평면도를 다단계 처리하고 예측 및 의사결정 수준의 출력을 생성하는 방식을 취하며, 이는 보조 파일 2의 알고리즘 1에 나타난 바와 같습니다. 이 과정은 데이터 전처리에서 시작되며, 입력 이미지를 표준 해상도로 리사이즈하고 데이터셋 전체의 균일성을 위해 정규화됩니다. 모든 평면도 이미지는 224 × 224 픽셀로 크기 조정되고 [0, 1] 범위로 정규화되었습니다. 이 단계는 딥 뉴럴 네트워크에서 학습할 수 있도록 이미지를 최적화하고 전체 모델 수렴성을 향상시킵니다. 두 번째 단계는 MobileNetV2, InceptionV3, ResNet101, VGG16 등 여러 DL 모델을 기본 학습자로 사용하는 것입니다. 각 모델은 독립적으로 입력 이미지를 받아 평수, 침실, 욕실, 차고 등 중요한 건축적 특징을 추정합니다. 데이터셋은 80:20 분할 비율로 학습 세트와 테스트 세트로 무작위로 나뉘었고, 재현성을 보장하기 위해 고정된 무작위 시드가 사용되었습니다. 이 모델들은 평면도의 다양한 공간적 특성을 포착하고 상호 보완적인 예측을 제공합니다. 특징 표현은 각 기본 모델의 출력을 중첩하여 단일 특징 표현을 생성하여 구성됩니다. 이 공동 출력은 이후 메타-앙상블 모델인 CARE-MIRV-Net에 입력되며, 모든 기본 모델의 예측을 결합하도록 훈련됩니다. 기본 모델 예측은 독립적으로 생성되어 메타 특징 벡터를 형성하기 위해 연결되었습니다. 학습 데이터셋과 테스트 데이터셋을 엄격히 분리함으로써 데이터 유출을 방지했습니다. 메타모델은 이러한 예측을 정제하여 최종 아키텍처 속성 예측을 생성합니다. 메타 모델은 512개와 256개의 뉴런을 가진 완전 연결 계층, ReLU 활성화 함수, 0.4 및 0.3의 중도율, Adam 옵티마이저(학습률 = 0.0001), 32개의 배치 크기, 그리고 조기 중단이 있는 최대 15개의 훈련 에포크로 구성되었습니다. 예측 후에는 의사결정 계층이 결과를 맥락화하는 데 사용됩니다. 추정 가치에 따르면 각 주거 배치는 노인 돌봄, 의료 서비스, 일반 주거 용도로 분류됩니다. 주거 카테고리는 예측된 평면도 속성에서 도출된 사전 정의된 임계값 기반 점수 규칙을 사용하여 할당되었습니다. 최종 순위는 가장 높은 부문이 선정되었습니다. 완전한 분류 임계값과 결정 규칙은 알고리즘 1(보조 파일 2)에 제공되어 있습니다. 마지막으로, 프레임워크는 SHAP을 기반으로 한 설명 가능성 요소를 통합하여 각 기본 모델이 최종 예측에 미치는 영향을 평가합니다. SHAP 분석은 앞서 설명한 대로 수행되었으며, 보충 파일 1에 나와 있습니다. 이 구성 요소는 투명성을 높이고 의사결정 과정을 이해하는 데 도움을 줍니다. 제안된 접근법의 효과성과 실현 가능성은 표준 회귀 성과 측정을 사용하여 평가되었습니다. 성능은 고정된 무작위 시드를 사용한 단일 실험 실행을 사용하여 평가하였습니다.

평가 모델

이 섹션에서는 개별 기본 모델과 제안된 CARE-MIRV-Net을 포함하여 연구에서 사용된 DL 모델을 소개합니다. 벤치마크 모델은 다양하고 널리 채택된 DL 아키텍처를 대표하도록 선정되었습니다. MobileNetV2는 경량이고 연산 효율적인 네트워크로 포함되었고, InceptionV3는 다중 스케일 공간 특징을 포착할 수 있는 능력으로 선택되었습니다. ResNet101은 계층적 특징 추출을 위한 깊은 잔차 학습 능력 때문에 선택되었으며, VGG16은 잘 확립된 컨볼루션 아키텍처로 포함되었습니다. 모든 벤치마크 모델은 동일한 전처리 절차, 데이터 보강 설정, 데이터셋 파티션, 최적화 매개변수, 배치 크기 및 학습 구성을 사용하여 공정한 비교 평가를 보장하였습니다.

모바일넷V2:

MobileNetV2는 빠르고 성능이 뛰어나며 계산 복잡도가 낮도록 설계된 작고 컴팩트한 CNN 시스템입니다. 이 연구는 역잔차 연결과 선형 병목 현상과 같은 주요 혁신을 제시하여 효율적인 특징 추출을 가능하게 하면서도 높은 표현력을 유지합니다. MobileNetV2는 깊이별 분리 가능한 컨볼루션을 사용하여 전통적인 컨볼루션 네트워크의 총 매개변수 수와 계산 비용을 크게 줄일 수 있으며, 따라서 대규모 이미지 기반 학습 문제에 잘 적응합니다.

MobileNetV2는 제안된 프레임워크에서 주거용 평면도 이미지의 건축적 특성을 예측하는 기초 DL 모델 중 하나로 사용됩니다. 이 모델은 효율적인 설계 덕분에 평면도에서 발생하는 방 분포, 배치 밀도, 구조 조직과 같은 공간 패턴을 효과적으로 학습할 수 있습니다. 이러한 학습된 표현은 평수, 침실 수, 욕실, 차고 등 중요한 특징을 정확하게 추정하는 데 중요한 역할을 합니다. MobileNetV2는 경량 모델로, 제안된 메타-앙상블 프레임워크에 포함될 만한 좋은 후보입니다. 다른 DL 모델에 보완적인 기능 표현을 추가하고, 시스템의 전반적인 견고성과 일반화를 향상시킵니다. 이 모델 학습은 예측의 정확성을 높이고 의료 기준 주거 설계 분류를 돕는 데 매우 중요합니다.

MobileNetV2 모델은 ImageNet 데이터셋에서 사전 학습된 가중치를 사용한 전이 학습 전략으로 학습됩니다. 입력 이미지는 224 × 224 × 3의 고정 크기로 축소되며, 이는 아키텍처와 호환됩니다. 이미지는 224 × 224 픽셀로 크기 조정되었고, [0, 1] 범위로 정규화되었으며, 무작위 뒤집기, 회전, 줌, 시프트를 통해 보강되었습니다. 훈련 기간 동안 32명의 배치 규모가 사용되었습니다. MobileNetV2의 초기 분류 헤드는 제거되고 회귀 헤드로 대체됩니다. 회귀 헤드는 전역 평균 풀링 계층과 512개 및 256개 뉴런으로 구성된 완전 연결 계층, 배치 정규화, 드롭아웃 계층(0.4 및 0.3), 그리고 4개 뉴런 선형 출력 계층으로 구성되었습니다. 도메인 적응을 용이하게 하기 위해 하위 사전 학습 계층은 고정되었고, block_13_expand부터 시작하는 상위 계층과 맞춤형 회귀 헤드는 미세 조정되었습니다. 이 선택적 학습 방식은 모델이 일반적인 시각적 특징을 유지하면서 평면도 이미지의 도메인별 공간 속성을 학습할 수 있게 합니다. 추출된 특징 맵은 글로벌 평균 풀링 계층과 512개 및 256개 뉴런을 가진 완전 연결 계층을 통해 ReLU 활성화를 통해 처리됩니다. 일반화를 높이고 과적합을 줄이기 위해 배치 정규화 및 드롭아웃 층(0.4 및 0.3)이 포함되었습니다. 최종 출력 계층에는 예측된 아키텍처 속성에 대응하는 선형 활성화를 가진 네 개의 뉴런이 포함됩니다. Adam 옵티마이저는 학습률 0.0001과 TensorFlow/Keras 기본 매개변수(β₁ = 0.9, β₂ = 0.999, ε = 1 × 10⁻⁷, amsgrad = False)로 사용되었습니다. 다중 출력 예측의 경우, MAE와 R² 는 각 목표 변수의 예측값과 실제 값을 비교한 후 모든 출력에서 결과를 평균화하여 계산했습니다. 검증 손실을 기반으로 조기 정지를 적용했으며, 수렴 개선을 위해 적응적 학습률 감소를 적용했습니다. 훈련은 최대 15시대에 걸쳐 수행되었다.

인셉션V3:

InceptionV3는 병렬 합성곱 연산을 사용하여 다중 스케일 특징을 포착할 수 있는 딥 CNN 아키텍처입니다. 이 모듈은 Inception 모듈에 기반을 두고 있으며, 같은 층에서 다양한 필터 크기를 사용하여 미세한 구조물과 거친 특징을 동시에 추출합니다. 이러한 아키텍처 설계는 네트워크가 복잡한 공간 계층 구조를 학습하고 계산 효율성을 높일 수 있게 합니다. 여기에 더해 InceptionV3는 분해화된 컨볼루션과 차원 축소를 사용하여 성능을 향상시키고 계산 비용을 최소화합니다.

InceptionV3는 제안된 프레임워크에서 주거용 평면도 이미지를 분석하는 효과적인 특징 추출기로 적용됩니다. 평면도는 방 크기, 구조 평면, 연결성 등 다양한 공간 패턴으로 구성되어 있어 다중 규모의 특징 학습이 필요합니다. 인셉션 아키텍처는 국소적 구체성(예: 작은 방)과 전역 구조(예: 전체 배치 조직)를 동시에 표현할 수 있어 이 작업에 특히 적합합니다. InceptionV3는 메타-앙상블 프레임워크 내에서 MobileNetV2와 같은 다른 모델과 상호 보완적인 표현을 제공합니다. 복잡한 공간 관계를 모델링할 수 있는 능력으로 예측의 다양성이 증가하며, 이는 앙상블 성능을 향상시키는 데 중요합니다. 이는 궁극적으로 건축적 특성의 더 나은 예측에 도움을 주고, 노인 친화적 및 의료 통합 주택 설계의 하위 분류를 강화합니다.

InceptionV3 모델은 ImageNet 데이터셋에서 사전 학습된 가중치를 사용하여 전이 학습 방식을 사용하여 학습됩니다. 입력 이미지는 네트워크 아키텍처와의 호환성과 프레임워크 내 모든 모델 간의 일관성을 보장하기 위해 224× 224× 3으로 스케일링됩니다. 이미지는 224 × 224 픽셀로 크기 조정되었고, [0, 1] 범위로 정규화되었으며, 무작위 뒤집기, 회전, 줌, 시프트를 통해 보강되었습니다. 훈련 기간 동안 32명의 배치 규모가 사용되었습니다.

InceptionV3의 원래 분류 계층은 제거되고, 다중 출력 예측을 가능하게 하는 맞춤형 회귀 헤드가 도입되었습니다. 맞춤형 회귀 헤드는 글로벌 평균 풀링 계층과 512개 및 256개 뉴런을 가진 완전 연결 계층, 배치 정규화, 드롭아웃 계층(0.4 및 0.3), 그리고 4개의 뉴런 선형 출력 계층으로 구성되었습니다. 컨볼루션 베이스는 부분적으로 미세 조정되어 하부 사전 학습 계층은 동결되고, 상위 계층과 맞춤형 회귀 헤드는 도메인별 평면 특징을 학습하면서도 사전 학습 과정에서 획득한 일반적인 시각적 표현을 유지하도록 미세 조정됩니다. 컨볼루션 백본 이후에는 글로벌 평균 풀링 계층이 특징 사상을 컴팩트한 특징 표현으로 변환합니다. 그 다음으로는 512개와 256개의 뉴런을 포함하는 완전 연결된 층이 ReLU 활성화 기능을 수행합니다. 과적합을 최소화하고 일반화를 개선하기 위해 0.4와 0.3의 중도탈률이 적용됩니다. 최종 출력 계층은 평수, 침실 수, 욕실 수, 차고 수에 해당하는 선형 활성화를 가진 네 개의 뉴런으로 구성됩니다. 이 모델은 학습률 0.0001, 배치 크기 32, 최대 15개의 학습 에포크를 포함한 학습 에포크를 사용하여 학습 최적화 장치를 사용하여 안정적인 수렴을 보장합니다.

ResNet101:

ResNet101은 잔류 학습 원리에 기반한 CNN의 심층 구조로, 사라지는 구배 문제를 극복하여 매우 깊은 네트워크를 훈련시킬 수 있게 합니다. 잔여 연결, 즉 스킵 연결을 추가하여 네트워크가 정체성 매핑을 학습하고 계층 간 정보를 유지할 수 있게 합니다. 이 아키텍처는 학습의 안정성을 크게 향상시키고 모델이 복잡한 계층적 특성을 학습할 수 있게 합니다. ResNet101은 101층의 깊은 표현 능력을 가지고 있어 추가적인 공간적 특징이 필요한 작업에서 매우 효과적입니다.

ResNet101은 제안된 프레임워크에서 고용량 특징 추출기로 사용되어 주거용 평면도의 이미지를 분석할 예정입니다. 이 모델은 깊은 건축 덕분에 방 연결성, 배치 복잡성, 구조적 변동성 등 복잡한 공간적 관계를 표현하는 데 사용할 수 있습니다. 이러한 특징들은 평수, 침실, 욕실, 차고 등 건축적 특징을 정확히 예측하는 데 매우 중요합니다. 메타 앙상블 설계에서 ResNet101은 중요한 구성 요소로서 깊고 추상적인 특징 표현을 제공합니다. ResNet101은 MobileNetV2와 같은 경량 모델에 비해 미세한 구조적 특징에 더 중점을 두어 기본 학습자 간 다양성이 더 큽니다. 이러한 이질성은 특히 의료 기반 주거 분류를 다룰 때 앙상블의 성능과 견고한 예측을 향상시키는 데 필수적인 역할을 합니다.

ResNet101은 ImageNet 데이터셋에서 사전 학습된 가중치를 사용한 전이 학습 방식을 사용하여 학습됩니다. 입력 이미지는 224× 224 × 3으로 스케일링되어 프레임워크 내 모든 모델 간의 아키텍처 호환성과 일관성을 보장합니다. 이미지는 224 × 224 픽셀로 크기 조정되었고, [0, 1] 범위로 정규화되었으며, 무작위 뒤집기, 회전, 줌, 시프트를 통해 보강되었습니다. 훈련 기간 동안 32명의 배치 규모가 사용되었습니다. ResNet101의 원래 분류 헤드는 제거되고(include_top=False), 다중 출력 예측을 가능하게 하는 맞춤형 회귀 헤드가 도입되었습니다. 회귀 헤드는 전역 평균 풀링 계층과 512개 및 256개 뉴런으로 구성된 완전 연결 계층, 배치 정규화, 드롭아웃 계층(0.4 및 0.3), 그리고 4개 뉴런 선형 출력 계층으로 구성되었습니다. 특징 재사용과 도메인 적응의 균형을 맞추기 위해, 하위 사전 학습 계층은 동결되었고, conv4_block1_1_conv부터 시작하는 더 깊은 계층과 맞춤형 회귀 헤드는 미세 조정되었습니다. 이 선택적 학습 전략은 일반적인 시각적 특징을 유지하면서 고수준 표현을 평면도 이미지에 맞게 조정할 수 있게 합니다. 컨볼루션 기초의 출력은 전역 평균 풀링 계층을 거쳐 컴팩트한 특징 표현을 생성합니다. 이어서 ReLU 활성화 기능을 사용하는 512개와 256개의 뉴런을 가진 완전 연결 층이 이어집니다. 배치 정규화가 학습을 안정화하기 위해 적용되며, 0.4 및 0.3의 드롭아웃 레이어가 과적합을 줄이고 일반화를 개선합니다. 최종 출력 계층에는 평수, 침실, 욕실, 차고 수에 해당하는 선형 활성화를 가진 네 개의 뉴런이 포함됩니다. Adam 옵티마이저는 학습 구성에 설명된 대로 0.0001의 학습률로 사용되었습니다. 데이터 증강에는 무작위 뒤집기, 회전, 확대, 이동 등이 포함되어 모델 일반화를 개선했습니다. 훈련은 최대 15에포크에 걸쳐 수행되었으며, 검증 손실과 적응적 학습률 감소에 따라 조기 중단이 이루어졌습니다.

VGG16:

VGG16은 시각 인식 작업에 효과적이고 단순한 딥 컨볼루션 유형의 단순 신경망 아키텍처입니다. 이 필터는 16개의 층으로 구성되며, 3× 3개의 컨볼루션 필터를 포함하는 정규 또는 동질 설계로 구성되어 네트워크가 계층적 특징 표현을 학습하는 데 도움을 줍니다. 이 아키텍처는 깊이 중심적이고 단순하여 가장자리, 텍스처, 고수준 의미 구조 같은 저수준 세부 정보를 포착할 수 있습니다. VGG16은 규칙적인 설계와 우수한 성능 덕분에 이미지 관련 작업에서 전이 학습을 수행할 때 인기 있는 백본으로 채택되고 있습니다.

제안된 모델에서는 VGG16이 주거용 평면도의 이미지에서 공간적 특징을 도출하는 기본 DL 모델로 사용됩니다. 체계적으로 정리되어 있어 방 경계, 구조적 정렬, 공간 구성 등 레이아웃 패턴의 세밀한 부분을 포착하는 데 매우 유용합니다. 이 특징들은 평방피트, 침실, 욕실, 차고 등 건축물의 특성을 효과적으로 예측하는 데 매우 중요합니다. 메타 앙상블 시스템에서 VGG16은 안정적이고 잘 일반화된 특징 표현을 제공합니다. VGG16은 ResNet101과 InceptionV3와 같은 다중 규모 아키텍처에 비해 더 균형 잡힌 특징 추출 방식을 제공하여 기본 학습자의 다양성을 높입니다. 이러한 이질성은 의료 지향 주거 분류의 신뢰성 높은 예측과 앙상블의 성능 향상에 매우 중요합니다.

VGG16 모델은 ImageNet 데이터셋에서 사전 학습된 가중치를 사용한 전이 학습 방식을 사용하여 학습됩니다. 입력 이미지는 아키텍처와의 호환성과 프레임워크 내 모든 모델 간의 일관성을 보장하기 위해 224× 224× 3으로 스케일링됩니다. 이미지는 224 × 224 픽셀로 크기 조정되었고, [0, 1] 범위로 정규화되었으며, 무작위 뒤집기, 회전, 줌, 시프트를 통해 보강되었습니다. 훈련 기간 동안 32명의 배치 규모가 사용되었습니다. 원래의 분류 계층은 제거되고(include_top=False), 다중 출력 예측에 맞게 모델을 조정하기 위해 맞춤형 회귀 헤드가 추가됩니다. 회귀 헤드는 전역 평균 풀링 계층과 512개 및 256개 뉴런으로 구성된 완전 연결 계층, 배치 정규화, 드롭아웃 계층(0.4 및 0.3), 그리고 4개 뉴런 선형 출력 계층으로 구성되었습니다. 하위 사전 학습 계층은 고정되었고, block4_conv1부터 시작하는 계층과 맞춤형 회귀 헤드는 미세 조정되었습니다. 이 전략은 모델이 일반적인 시각적 특성을 유지하면서 평면도 분석과 관련된 도메인별 표현을 학습할 수 있게 합니다. 합성곱 기지의 출력 특징들은 전역 평균 풀링 계층을 통과하여 컴팩트 특징 벡터를 생성합니다. 이어서 ReLU 활성화 기능을 사용하는 512개와 256개의 뉴런을 가진 완전 연결 층이 이어집니다. 배치 정규화와 0.4 및 0.3 비율의 드롭아웃 층이 훈련을 안정화하고 과적합을 줄이며 일반화를 개선하도록 포함된다. 최종 출력 계층에는 평수, 침실, 욕실, 차고 예측에 대응하는 선형 활성화를 가진 네 개의 뉴런이 포함되어 있습니다. Adam 옵티마이저는 학습 구성에 설명된 대로 0.0001의 학습률로 사용되었습니다. 데이터 증강에는 무작위 뒤집기, 회전, 확대, 이동 등이 포함되어 모델 일반화를 개선했습니다. 훈련은 최대 15에포크에 걸쳐 수행되었으며, 검증 손실과 적응적 학습률 감소에 따라 조기 중단이 이루어졌습니다.

CARE-MIRV-Net (제안된 메타-앙상블 DL 모델):

제안된 CARE-MIRV-Net(MobileNetV2, InceptionV3, ResNet101, VGG16 네트워크를 활용한 컨텍스트 인식 주거용 앙상블)은 주거용 평면도 사진을 기반으로 건축적 특징 추정을 개선하는 것을 목표로 하는 스태킹 기반의 메타 앙상블 DL 프레임워크입니다. 이 아키텍처는 특징 추출에서 이들의 시너지 이점을 활용하여 다양한 이기종 CNN을 결합합니다. 제안된 모델은 경량, 깊이, 다중 규모 건축의 조합을 기반으로 하여 예측 성능을 향상시키고 다양한 주거 배치에서 견고함을 제공합니다. 기존의 단일 모델 기반 기법과 달리, CARE-MIRV-Net은 계층적 학습 방식을 따르며, 기본 모델이 초기 예측을 제공하고, 이를 메타 학습자가 개선합니다.

공간적으로 의식적이고 건강을 고려한 주거 디자인에서는 평면도를 올바르게 해석하는 것이 매우 중요합니다. 단일 DL 모델만으로는 서로 다른 아키텍처 패턴을 일반화하는 데 부족한 경향이 있습니다. 제안된 프레임워크는 MobileNetV2, InceptionV3, ResNet101, VGG16 네 가지 아키텍처를 사용하여 각각 다른 표현 능력을 발휘함으로써 이 약점을 극복할 것입니다. MobileNetV2는 특징을 효율적으로 추출하는 데 사용할 수 있으며 경량화되어 있습니다; InceptionV3는 여러 규모에 걸친 공간 패턴을 학습합니다; ResNet101은 깊은 계층적 표현을 학습합니다; VGG16은 기능을 일관되고 신뢰성 있게 학습합니다. 이 모델들의 결합은 프레임워크가 지역적 및 전 지구적 공간 속성을 모두 포괄하도록 하여 평수, 침실 수, 욕실, 차고 등 예측 요소의 정확성과 신뢰성을 향상시킵니다. 위 예측들은 노인 친화적, 의료 통합, 일반 주거 등 주거 배치의 추가 분류에도 활용될 수 있습니다.

CARE-MIRV-Net은 2단계 스태킹 기반 앙상블 전략으로 구현됩니다. 첫 번째 단계에서는 네 개의 기본 모델이 독립적으로 목표 변수에 대한 예측을 생성합니다. 메타 학습자 입력은 훈련된 기본 모델이 생성한 예측 출력을 훈련 데이터에 연결하여 생성되었습니다. 이 연결된 예측들은 메타모델 학습에 사용되는 16차원 메타 특징 벡터를 형성했습니다. 정보 유출은 훈련 및 테스트 데이터셋을 엄격히 분리하여 방지했으며, 기본 모델이나 메타모델 훈련 중에는 테스트 샘플을 사용하지 않았습니다. 기본 모델에 사용된 동일한 훈련 및 검증 데이터셋이 스태킹 과정에서 사용되었습니다. 훈련과 추론 과정에서 MobileNetV2, InceptionV3, ResNet101, VGG16에서 생성된 네 가지 예측 출력을 연결하여 16차원 메타 특징 벡터가 구성되었습니다. 각 모델은 4차원 출력 벡터를 생성하므로, 연결된 표현은 메타 학습자에게 16차원 입력을 생성합니다. 이 변환은 모든 기본 모델의 예측을 결합하여 프레임워크의 두 번째 단계에 대한 입력 역할을 합니다. 두 번째 단계는 완전 연결된 신경망 메타 학습기를 구축하여 기본 모델 예측의 최적 조합을 학습하는 것입니다. 메타 학습자는 512개와 256개의 뉴런을 가진 완전 연결된 층들, ReLU 활성화, 배치 정규화, 0.4 및 0.3의 탈락률, 그리고 4개의 뉴런으로 구성된 선형 출력 계층으로 구성되어 있었습니다. 0.4와 0.3의 드롭아웃 층이 조밀한 층 이후에 적용되어 과적합을 줄이고 일반화를 개선했습니다. 메타 모델은 Adam 옵티마이저를 사용하여 학습률 0.0001, 배치 크기 32, 조기 정지 및 적응형 학습률 감소가 포함된 최대 15 에포크를 학습했습니다. 검증 데이터는 훈련 중 모델 성능을 모니터링하고 가장 우수한 모델을 선택하는 데 사용되었습니다. 훈련 후, 메타 앙상블 모델은 모든 기본 학습자의 출력을 결합하여 최종 예측을 생성했습니다. MAE와 R²는 CARE-MIRV-Net의 성능을 평가하는 데 사용되었습니다. 다중 출력 예측의 경우, MAE와 R² 는 각 목표 변수의 예측값과 실제 값을 비교한 후 모든 출력에서 결과를 평균화하여 계산했습니다. 결과는 고정된 무작위 시드를 사용한 단일 실험 실행에서 얻어졌습니다. 제안된 프레임워크는 여러 DL 구조를 쌓기 메커니즘을 통해 결합하고 주거용 평면도에 대한 해석 가능한 분석을 제공함으로써 예측 능력을 향상시킵니다. 이로 인해 CARE-MIRV-Net은 노인 중심 및 의료 지향 주거 설계 맥락에서 적용 가능합니다. 소스 코드, 환경 구성 정보, 소프트웨어 의존성 명세, 구현 문서는 보충 파일 1에 제공됩니다.

성과 평가

제안된 프레임워크의 성능 분석을 수행하여 다양한 아키텍처 특성 전반에 걸쳐 예측력, 견고성, 일반화 성능을 평가합니다. 제안된 모델의 유용성을 확인하기 위해 정량적 및 정성적 분석이 수행됩니다. 평가 절차는 표준 회귀 측정과 통제된 실험 환경을 모두 포함하여 기준선 모델과의 공정한 비교를 가능하게 합니다. 모든 벤치마크 및 제안된 모델에서 재현성과 일관성을 보장하기 위해 고정된 무작위 시드를 사용한 단일 실험 실행을 사용해 실험을 수행했습니다.

성능 매개변수:

제안된 프레임워크의 성능을 평가하기 위해 두 가지 잘 알려진 회귀 측정 지표인 MAE와 R²가 사용된다. MAE는 예측 오차의 평균 크기를 측정하여 예측값과 실제 값 간의 근접성을 명확히 나타냅니다. 반대로, R² 값은 모델이 설명하는 대상 변수의 분산 비율을 평가하는 데 사용되며, 이는 모델의 전반적인 예측력을 반영합니다. 이 지표들의 결합은 예측된 모든 아키텍처 특징의 정확성과 일반화 성능을 포괄적으로 평가할 수 있게 합니다. 다중 출력 예측의 경우, MAE와 R²는 각 목표 변수의 예측값과 실제 값을 비교한 후 모든 출력에서 결과를 평균화하여 계산했습니다.

실험 환경:

실험은 파이썬(버전 3.12.12)을 사용한 클라우드 컴퓨팅 환경에서 진행되었습니다. 제안된 프로토콜은 TensorFlow(버전 2.19.0), Keras(버전 3.13.2), NumPy(버전 2.4.6), Pandas(버전 2.3.3), Scikit-learn(버전 1.6.1), Matplotlib(버전 3.9), SHAP(버전 0.51.0)을 사용하여 구현되었습니다. 이 계산 환경은 약 31GB의 시스템 메모리를 갖춘 2.20 GHz 속도의 인텔 제온 프로세서를 사용했습니다. 이 실험들은 NVIDIA Tesla T4 × 2 GPU를 사용하는 Ubuntu 22.04 LTS 운영체제에서 진행되었습니다. 데이터셋에는 2,640개의 주거용 평면도 이미지가 포함되어 있으며, 이들은 사전 처리되어 훈련 및 테스트 데이터셋으로 세분화되었습니다. 데이터셋은 80:20 분할 비율로 나뉘어 2,112개의 훈련 샘플과 528개의 테스트 샘플이 나왔습니다. MobileNetV2, InceptionV3, ResNet101, VGG16은 전이 학습을 이용한 미세 조정 방식을 사용해 학습된 네 가지 DL 모델입니다. 이후 이 기본 모델들의 예측을 결합하기 위해 스태킹 기반의 메타 앙상블 모델인 CARE-MIRV-Net이 구축되었습니다. 각 모델은 이미지 크기 조절을 224 × 224픽셀로 조정하고, 데이터 증강, 과적합을 줄이기 위한 조기 정지 등 균일한 조건에서 훈련되었습니다. 데이터 증강에는 무작위 뒤집기, 회전, 확대, 이동이 포함되었습니다. 32개의 배치 크기와 최대 15개의 훈련 에포크를 사용했으며, 검증 손실과 적응형 학습률 감소에 따라 조기 중단이 이루어졌습니다. 최종 분석은 편향 없고 신뢰할 수 있는 성과 평가를 제공하기 위해 숨겨진 테스트 세트에서 수행되었습니다. 숨겨진 테스트 세트는 초기 데이터셋 분할 시 생성되었으며, 모델 훈련과 개발 전반에 걸쳐 완전히 격리되어 편향되지 않은 성능 평가를 보장했습니다.

데이터셋 설명:

이 연구 결과를 뒷받침하는 데 사용된 데이터셋은 Kaggle 플랫폼에서 "Floor Plan Images and Their Details"라는 제목으로 공개되어 있습니다²⁸. 데이터셋은 다음 https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details 에서 이용 가능합니다 (2026년 4월 16일 접속). 데이터는 2,640개의 주거용 평면도 이미지와 정리된 건축 메타데이터로 구성되어 있습니다. 각 샘플은 서로 다른 크기, 구성, 공간 배치를 가진 다양한 주거 배치를 제공하는 독특한 주택 도면입니다. 데이터셋 크기는 DL 기반 학습에 충분하며 다양한 아키텍처 패턴을 포함하고 있습니다. 이 데이터셋은 2차원 평면도 이미지와 주거지의 구조적 특성을 설명하는 관련 수치 속성으로 구성되어 있습니다. 이 특징에는 총 면적, 침실 수, 욕실 수, 차고 수가 포함됩니다. 더불어, 모든 레코드에는 이미지 경로가 포함되어 있어 시각적 입력을 라벨에 직접 매핑할 수 있습니다. 데이터셋 변수에는 평면도 이미지, 이미지 경로, 평방 면적, 침실 수, 욕실 수, 차고 수 등이 포함됩니다. 평면도 이미지가 입력 요소로 사용되며, 건축 속성은 예측 목표로 사용됩니다. 따라서 이 데이터셋은 이미지를 입력 특징으로, 아키텍처 속성을 회귀 대상으로 하는 지도 학습에 적합합니다.

데이터셋에는 방 수가 적은 컴팩트한 레이아웃부터 대규모 다룸 레이아웃까지 다양한 주거 레이아웃이 포함되어 있습니다. 이러한 변동성은 방 분포, 배치 밀도, 구조적 복잡성 등 의미 있는 공간 표현을 학습할 수 있게 합니다. 이러한 다양성은 제안된 프레임워크에 특히 중요한데, 이는 노인 친화적, 의료 통합, 일반 주거 배치로 평면도를 분류할 수 있도록 지원하기 때문입니다. 모델 학습 전에 데이터셋은 일련의 전처리 절차를 거쳐 일관성과 DL 모델과의 호환성을 보장합니다. 모든 이미지는 224× 224픽셀로 크기 조정되고 훈련 전 범위 [0, 1]로 정규화되었습니다. 그 후 데이터 세트는 이미지 경로와 해당 메타데이터를 매칭하여 조직되고, 이후 성능 분석을 용이하게 하기 위해 훈련 및 테스트 하위 집합으로 분리됩니다. 데이터셋은 80:20 분할 비율로 무작위로 훈련 세트와 테스트 세트로 나뉘었습니다. 완전한 이미지 및 메타데이터 정보를 포함한 기록은 분석에 포함되었으며, 불완전하거나 유효하지 않은 기록은 제외되었습니다. 재현성을 보장하기 위해 데이터셋 분할 시 고정된 무작위 시드가 사용되었습니다. 이 데이터셋은 주거용 평면도를 AI 기반 분석에 대한 상세한 기반을 제공합니다. 2,640개의 주석이 달린 이미지와 다양한 건축 속성의 결합은 다중 출력 회귀 모델링을 지원하며, 공간 지능을 의료 지향 주거 설계 의사결정과 통합할 수 있게 합니다.

결과

제안된 프레임워크를 평가하기 위해 MobileNetV2, InceptionV3, ResNet101, VGG16 네 가지 DL 모델과 제안된 CARE-MIRV-Net 메타 앙상블 모델을 함께 평가하는 일련의 실험이 수행되었습니다.

데이터셋 획득 및 전처리 결과

전처리 단계는 DL 모델을 사용해 학습 및 평가를 위해 원시 평면도 이미지와 관련 메타데이터를 준비하도록 설계되었습니다. 이 데이터셋은 Kaggle 저장소에서 수집되었으며 2,640개의 샘플을 포함하고 있습니다. 각 샘플은 평면도 이미지와 그에 해당하는 건축적 특성으로 구성되었습니다. 이미지 경로, 평수, 침실, 욕실, 차고 등 관련 열만 추가 분석을 위해 보존되었고, 데이터 일관성과 품질을 유지하기 위해 불완전하거나 빈 기록은 제거되었습니다. 모델 학습 및 평가를 용이하게 하기 위해, 데이터셋은 80:20 비율로 훈련 및 테스트 하위 집합으로 나뉘어 총 2,112개의 훈련 샘플과 528개의 테스트 샘플이 생성되었습니다. 재현성을 보장하기 위해 데이터셋 분할 시 고정된 무작위 시드가 사용되었습니다. 이 부서는 모델이 충분히 큰 데이터셋에서 학습되도록 하면서도 객관적 성과 평가를 위한 독립적인 테스트 세트를 유지하도록 보장했습니다. 이미지 경로는 각 레코드를 데이터셋 디렉터리 내 해당 위치에 매핑하여 표준화되었습니다. 네 가지 건축 속성(평방피트, 침실, 욕실, 차고)이 다중 출력 회귀 작업의 목표 변수로 작용했습니다. 침실, 욕실, 차고는 이산형 변수이지만, 다중 출력 회귀 프레임워크를 사용하여 통합 학습 아키텍처 내에서 모든 아키텍처 속성을 동시에 예측할 수 있도록 모델링되었습니다. 이 접근법은 모델이 대상 변수 간의 공유 관계를 포착하고 연속적이고 이산적인 아키텍처 특성 간의 상관관계를 활용할 수 있게 합니다. 이산 속성에 대한 예측값은 해석 및 후속 주거 배치 분류 전 후처리에서 가장 가까운 유효 정수로 변환되었습니다.

표 1은 제안된 모델이 예측하는 건축적 특징을 개괄하며, 주거용 평면도의 주요 공간적·기능적 특성을 나타냅니다. 탐색적 데이터 분석은 히스토그램과 카운트 기반 시각화를 사용하여 목표 변수의 분포를 더 잘 이해하기 위해 수행되었습니다. 평수 분포는 밀도가 다양하며 연속적이며, 침실, 욕실, 차고의 분포는 다양한 주거 구성의 빈도를 보여줍니다. 이 분포들은 그림 2에 나타났다. 평수 분포는 그림 2A에 표시되어 있으며, 침실, 욕실, 차고의 분포는 각각 그림 2B–2D에 표시되어 있습니다. 이 그래프들은 함께 데이터 세트 내 목표 변수의 변동성과 분포를 보여줍니다.

기능 이름	설명
평방피트	주거 단위의 총 건축 면적
화단	배치 내 침실 수
목욕탕	레이아웃 내 욕실 수
차고	이용 가능한 차고 공간 수

표 1: 예측 타깃으로 사용되는 아키텍처 속성. 주거용 평면도 데이터셋에서 추출하여 모델 학습 및 평가의 목표 변수로 사용하는 건축 속성의 정의. 속성에는 각 주거용 평면도에 연관된 총 평면수, 침실 수, 욕실 수, 차고 공간 수 등이 포함됩니다.

그림 2. 주거용 평면도 데이터셋에서 건축 속성의 분포. 모델 개발 및 평가에 사용되는 데이터셋 전반에 걸쳐 (A) 평방 면적, (B) 침실 수, (C) 욕실 수, (D) 차고 수 분포를 보여주는 히스토그램. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

이미지 전처리 단계는 모든 평면도 이미지를 DL 모델에 적합한 표준화된 형식으로 변환했습니다. 모든 이미지는 로드되어 RGB 색상 공간으로 변환된 후 224 × 224 픽셀로 크기 조정, 그리고 [0, 1] 범위로 정규화되었습니다. 이 과정은 일관된 입력 차원과 학습 중 모델 수렴 개선을 보장했습니다. 사전 처리된 이미지는 무작위로 샘플링되었고, 라벨이 적절한 전처리와 라벨 정렬을 확인하기 위해 검증되었습니다. 전처리 후 각 이미지는 NumPy 배열로 변환되어 해당 목표 값과 짝지어 입출력 데이터셋을 생성했습니다. 결과 데이터셋은 (2112, 224, 224, 3) 크기의 학습 이미지와 (528, 224, 224, 3) 크기의 테스트 이미지가 성공적으로 준비되었음을 확인했습니다. 해당 라벨 행렬은 각각 (2112, 4)와 (528, 4)의 차원을 가졌다. 목표 변수들은 회귀 기반 학습을 지원하기 위해 부동소수점 값으로 변환되었습니다.

모델 일반화를 더욱 개선하고 과적합을 줄이기 위해 이미지 데이터 생성기를 이용한 데이터 증강 기법이 적용되었습니다. 이 기법에는 무작위 수평 뒤집기, 회전, 확대, 너비/높이 이동이 포함되어 학습 데이터 변동성을 높이고 모델 일반화를 개선했습니다. 이러한 변환은 훈련 데이터 내 변동성을 증가시키고 모델이 보다 견고하고 불변의 공간적 특징을 학습할 수 있게 했습니다. 전처리 파이프라인은 깔끔하고 표준화되며 잘 구조화된 이미지 및 표 데이터를 생성하여, 제안된 메타-앙상블 딥러닝 프레임워크 훈련에 적합한 토대를 제공했습니다.

기본 모델과 제안된 모델의 결과

사전 처리 데이터셋(2,640장의 평면도 이미지)은 모든 모델을 훈련 및 테스트 분할을 사용하여 학습했습니다. 데이터셋은 80:20 분할 비율로 나뉘어 2,112개의 훈련 샘플과 528개의 테스트 샘플이 나왔습니다. 재현성을 보장하기 위해 고정된 무작위 시드가 사용되었습니다. 사전 학습된 가중치를 사용하여 전이 학습과 건축 평면도 분석 영역에 맞게 모델을 조정했습니다. 훈련 중 일반화 강화를 위해 데이터 증강 기법이 사용되었고, 검증 성능을 모니터링하여 과적합을 줄이기 위해 조기 정지 방법이 사용되었습니다. 모델들은 최대 15 에포크에 대해 32개의 배치 크기로 훈련되었으며, 과적합을 방지하고 효율적인 수렴을 촉진하기 위해 조기 정지가 적용되었습니다. 조기 중단은 검증 손실을 모니터링하고 추가 개선이 관찰되지 않으면 훈련을 종료했으며, 적응적 학습률 감소를 적용해 수렴을 개선했습니다. 손실과 MAE를 모두 훈련 과정을 모니터링하고 수렴 행동과 안정성을 평가하는 데 사용되었습니다. 모든 모델은 공정한 비교를 위해 동일한 실험 조건에서 훈련되었습니다. 그림 3–7은 모든 모델의 학습 및 검증 손실과 MAE 곡선을 보여주어 학습 역학과 일반화 행동에 대한 통찰을 제공합니다.

그림 3. MobileNetV2의 교육 성과. (A) 훈련 시기 전반에 걸친 훈련 및 검증 손실. (B) 훈련 및 검증은 훈련 시기 전반에 걸쳐 절대 오차(MAE)를 의미합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 4. InceptionV3의 교육 수행 성과. (A) 훈련 시기 전반에 걸친 훈련 및 검증 손실. (B) 훈련 및 검증은 훈련 시기 전반에 걸쳐 절대 오차(MAE)를 의미합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 5. ResNet101의 교육 성과. (A) 훈련 시기 전반에 걸친 훈련 및 검증 손실. (B) 훈련 및 검증은 훈련 시기 전반에 걸쳐 절대 오차(MAE)를 의미합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 6. VGG16의 훈련 성과. (A) 훈련 시기 전반에 걸친 훈련 및 검증 손실. (B) 훈련 및 검증은 훈련 시기 전반에 걸쳐 절대 오차(MAE)를 의미합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 7. CARE-MIRV-Net의 교육 수행 성과. (A) 훈련 시기 전반에 걸친 훈련 및 검증 손실. (B) 훈련 및 검증은 훈련 시기 전반에 걸쳐 절대 오차(MAE)를 의미합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

MobileNetV2의 훈련 성과는 그림 3에 나와 있습니다. 훈련 및 검증 손실 곡선은 그림 3A에 표시되어 있으며, 훈련 및 검증 MAE 곡선은 그림 3B에 표시되어 있습니다. 훈련 손실과 MAE는 시대가 달수록 점차 감소하여 안정적인 학습 행동을 나타냈다. 검증 곡선은 더 큰 변동성을 보였고 훈련 곡선보다 상대적으로 높았으며, 이는 일반화 성능이 저하되었음을 시사합니다. 이 추세는 MobileNetV2가 특히 평방피트 예측에서 상대적으로 낮은 예측 성능을 보인 정량적 결과와 일치합니다. InceptionV3의 훈련 성능은 그림 4에 나와 있습니다. 훈련 및 검증 손실 곡선은 그림 4A에 표시되어 있으며, 훈련 및 검증 MAE 곡선은 그림 4B에 표시되어 있습니다. 이 모델은 훈련 및 검증 손실, MAE가 모두 꾸준히 감소했으며, 곡선 간 차이는 작았다. 이러한 행동은 효과적인 학습과 비교적 좋은 일반화를 시사합니다. 안정적인 검증 곡선은 모델이 다중 규모 공간 특징을 효과적으로 포착하여 MobileNetV2에 비해 향상된 성능을 보였음을 보여줍니다. ResNet101의 훈련 동작은 그림 5에 나타난다. 훈련 및 검증 손실 곡선은 그림 5A에 표시되어 있으며, 훈련 및 검증 MAE 곡선은 그림 5B에 표시되어 있습니다. 모델은 훈련 손실과 MAE가 점진적으로 감소하는 것을 보여주었으며, 검증 곡선은 유사한 경향을 보였으며 약간의 변동이 있었습니다. 일부 진동이 관찰되었으나 전체적인 수렴은 안정적이었습니다. 이러한 관찰은 잔여 학습을 통해 계층적 공간 표현을 학습하는 모델의 능력과 일치합니다. VGG16의 훈련 성과는 그림 6에 나타난다. 훈련 및 검증 손실 곡선은 그림 6A에 표시되어 있으며, 훈련 및 검증 MAE 곡선은 그림 6B에 나타났습니다.

VGG16의 훈련 곡선은 훈련 내내 지속적으로 감소하여 효과적인 학습을 나타냈다. 검증 곡선은 진동과 훈련 곡선과의 약간의 분리를 보여, 약간의 과적합을 시사했습니다. 그럼에도 불구하고 이 모델은 특히 평수와 차고 예측에서 경쟁력을 유지했으며, 학습된 특징 표현이 효과적이고 안정적임을 보여주었습니다.

CARE-MIRV-Net의 훈련 성과는 그림 7에 나와 있습니다. 훈련 및 검증 손실 곡선은 그림 7A에 표시되어 있으며, 훈련 및 검증 MAE 곡선은 그림 7B에 표시되어 있습니다. 훈련 및 검증 손실과 MAE 곡선은 부드럽고 일관되게 감소했으며, 차이는 매우 적었습니다. 이러한 행동은 강한 수렴과 좋은 일반화를 나타냅니다. 개별 모델과 비교했을 때, 메타 앙상블 프레임워크는 더 안정적인 학습 행동을 보여주고 변동성을 줄였습니다. 전반적으로 훈련 곡선 비교 결과, 개별 모델들이 수렴 및 일반화 특성이 달랐음에도 불구하고, CARE-MIRV-Net이 평가된 모델 중 가장 일관된 훈련 동작을 보였습니다.

MobileNetV2, InceptionV3, ResNet101, VGG16 및 제안된 CARE-MIRV-Net 모델의 예측 성능에 대한 상세한 비교는 표 2에 제공되어 있습니다. 성능은 면적, 침실 수, 욕실 수, 차고 수 등 네 가지 목표 변수에서 MAE와 R² 를 사용해 평가되었습니다. 이 지표들은 예측 정확도와 설명 성과를 보완적으로 측정할 수 있게 합니다.

모델	평방피트		화단		목욕탕		차고
	메이	R²	메이	R²	메이	R²	메이	R²
모바일넷V2	881.653	0.1327	0.6873	0.3154	0.6552	0.3457	0.3977	0.1133
인셉션 V3	464.64	0.6615	0.4353	0.6708	0.3627	0.7459	0.23	0.6351
ResNet101	611.919	0.5872	0.4287	0.6546	0.3838	0.725	0.2298	0.6489
VGG16	504.435	0.7256	0.698	0.3355	0.4995	0.6436	0.197	0.6757
CARE-MIRV-Net (제안됨)	432.488	0.7053	0.4343	0.6837	0.3689	0.7605	0.1697	0.6958

표 2: 기초 모델과 CARE-MIRV-Net의 성능 비교. MobileNetV2, InceptionV3, ResNet101, VGG16 및 제안된 CARE-MIRV-Net 모델에 대한 네 가지 건축 속성(평수, 침실 수, 욕실 수, 차고 수)에서의 예측 성능 비교. 성능은 평균 절대 오차(MAE)와 결정 계수(R²)를 사용하여 보고됩니다. MAE 값이 낮을수록 예측 오차가 낮음을 의미하며, R² 값이 높을수록 예측값과 실제 값 간의 일치가 더 강함을 나타냅니다.

개별 모델들은 목표 변수 전반에 걸쳐 다양한 성능 수준을 보여주었습니다. MobileNetV2는 특히 평방피트 예측에서 MAE 881.6530, R² 값 0.1327로 전반적으로 가장 낮은 성능을 보였습니다. 욕실과 차고의 성능도 비교적 낮았는데, 이는 독립 모델로 사용할 때 복잡한 공간 관계를 포착하는 데 한계가 있음을 시사합니다.

InceptionV3는 대부분의 목표 변수, 특히 욕실과 침실에서 각각 0.7459와 0.6708의 R² 값을 보여 강한 성능을 보였습니다. 이 결과들은 다중 스케일 공간 특성의 효과적인 포착을 시사합니다. ResNet101은 또한 계층적 공간 표현 학습을 용이하게 하는 깊은 잔차 아키텍처를 통해 경쟁력을 입증했습니다. 하지만 평방피트 예측 등 일부 변수에서 InceptionV3보다 약간 낮은 성능을 보였습니다. VGG16은 모든 목표 변수에서 비교적 균형 잡힌 성능을 제공했으며, 개별 모델 중 가장 높은 평방피트 R² 값(0.7256)을 달성했습니다.

제안된 CARE-MIRV-Net 프레임워크는 대부분의 평가된 과제에서 개별 모델보다 우수한 성능을 보였습니다. CARE-MIRV-Net은 R² 가치 0.7053을 유지하면서 최저 평방피트 MAE(432.488)를 달성했습니다. 침실 예측에서는^R2 값이 0.6837을 기록했습니다. 화장실 예측에서는 CARE-MIRV-Net이 평가된 모든 모델 중 가장 높은 R² 값(0.7605)을 달성했습니다. 마찬가지로 차고 예측에서는 가장 낮은 MAE(0.1697)와 가장 높은 R² 값(0.6958)을 기록했습니다. 이 결과들은 메타 앙상블 프레임워크가 개별 아키텍처의 상호 보완적 강점을 효과적으로 결합했음을 보여줍니다. 또한 여러 모델의 예측을 통합함으로써 모델별 한계를 줄이고 전반적인 예측 성능을 향상시켰음을 시사합니다. 연구 결과는 CARE-MIRV-Net이 평가된 모든 대상 변수에 대해 균형 잡힌 예측 성능을 제공했음을 보여줍니다. 본 연구에서 제시된 의료 지향 주거 평가는 임상적으로 검증된 의료 평가라기보다는 규칙 기반 의사결정 프레임워크와 이용 가능한 평면도 속성에서 도출된 응용 지향적 분류로 해석되어야 합니다.

예측 성능을 추가로 평가하기 위해 평수, 침실, 욕실, 차고 등 모든 대상 변수에 대해 잔류 오차 분석을 수행하였습니다. 잔류 그래프는 예측값과 관측값 간의 차이를 보여줌으로써 예측 오차 분포에 대한 통찰을 제공합니다. 이상적으로는 잔차가 0 근처에서 무작위로 분포되어야 하며, 이는 체계적 편향이 제한적이고 일반화가 잘 됨을 나타냅니다.

그림 8 은 평방피트 예측을 위한 잔여 플롯을 보여줍니다. 대부분의 잔차는 0 근처에 모여 있어 대부분 표본에 대해 비교적 정확한 예측을 나타냈다. 그러나 더 큰 평방피트 값에서는 더 큰 분산과 여러 이상치가 관찰되었습니다. 이러한 관찰은 대규모 주거 배치에서 예측 변동성이 증가했음을 시사합니다.

그림 8. 평방피트 예측을 위한 잔여 분석. 예측된 평방피트 값에 따른 잔여 오차를 보여주는 산점도. 수평선은 잔류 오차가 0임을 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

침실 예측을 위한 잔차 분포는 그림 9에 나와 있습니다. 잔차는 일반적으로 0 근처에 집중되었으며, 대각선 패턴은 침실 변수의 이산적인 특성을 반영했습니다. 상대적으로 좁은 잔여 범위는 일관된 예측 성과를 나타내며, 명확한 체계적 편향이 관찰되지 않았습니다. 그림 10 은 욕실 예측을 위한 잔차 그래프를 보여줍니다. 잔차는 거의 0 근처에 집중되어 있었으나, 침실 예측에서 관찰된 것보다 약간 더 큰 분산을 보였습니다. 가시적 띠 패턴은 목표 변수의 이산적인 특성과 일치합니다. 예측값이 높은 곳에서도 여러 이상치가 존재했습니다.

그림 9. 침실 예측을 위한 잔여 분석. 예측된 침실 값에 따른 잔여 오차를 보여주는 산점도. 수평선은 잔류 오차가 0임을 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 10. 욕실 예측을 위한 잔류 분석. 예측된 욕실 값에 따른 잔여 오차를 보여주는 산점도. 수평선은 잔류 오차가 0임을 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

차고 예측을 위한 잔여 분석은 그림 11에 나와 있습니다. 잔여 값은 0 근처에 집중되어 있었고, 다른 목표 변수들에 비해 상대적으로 낮은 분산을 보였습니다. 차고 값의 구분적이고 제한된 범위는 대면 내에서 뚜렷한 선형 패턴을 만들어냈습니다. 좁은 잔차 분포는 이 변수에 대한 예측 성능이 비교적 일관됨을 시사합니다.

그림 11. 차고 예측을 위한 잔류 분석. 예측된 차고 값에 따른 잔류 오차를 보여주는 산점도. 수평선은 잔류 오차가 0임을 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

전반적으로 잔여 분석은 CARE-MIRV-Net이 모든 대상 변수에서 대체로 0 중심의 예측을 생성함을 보여줍니다. 특히 평방피트 예측에서 일부 변동성과 이상치가 관찰되었지만, 전체 잔차 분포는 평가된 데이터셋 전반에 걸쳐 모델의 예측 성능이 일관성을 뒷받침합니다.

SHAP을 이용한 설명 가능한 AI 분석 결과

제안된 CARE-MIRV-Net 프레임워크의 해석 가능성을 높이기 위해 SHAP을 활용한 설명 가능한 AI 접근법이 도입되었습니다. SHAP은 셰플리 값을 기반으로 특징 중요도 값을 할당하여 모델 예측을 설명하는 게임 이론적 방법이다. 제안된 메타-앙상블 모델에 적용할 때, SHAP는 각 기본 모델이 메타 학습자의 최종 출력에 얼마나 기여하는지 조사하는 데 사용되었습니다. 메타 모델에 대한 입력은 InceptionV3, MobileNetV2, ResNet101, VGG16 네 가지 기본 모델에서 연결된 예측으로 구성되어 16차원 특징 공간이 생성되었습니다. 각 특징은 특정 기본 모델에 의해 생성된 예측된 건축 속성(평수, 침실, 욕실, 차고)을 나타냈습니다. 이 특징들의 해석은 메타 학습 데이터에서 무작위로 선택된 부분집합을 배경 분포로 선택하고, 계산 효율성을 높이기 위해 설명 생성을 위해 테스트 샘플의 소규모 부분집합을 선택함으로써 수행되었습니다.

각 대상 변수의 특징 기여도를 독립적으로 분리하고 분석하기 위해 단일 출력 버전의 메타모델이 만들어졌습니다. SHAP 커널 설명기는 앞서 설명한 대로 보 충 파일 1 에서 특징 기여도를 추정하고 제안된 프레임워크의 예측을 해석하는 데 적용되었습니다. 이 값들은 각 기본 모델 예측이 최종 결과에 긍정적이거나 부정적으로 기여하는 정도를 정량화하는 데 사용되었습니다. SHAP 분석을 기반으로 CARE-MIRV-Net은 단일 기본 학습기에만 의존하지 않고, 목표 변수와 입력 특성에 따라 다양한 모델에 대해 다양한 수준의 중요성을 부여했습니다. 이러한 관찰은 스태킹 기반 앙상블 접근법이 여러 기본 모델에서 상호 보완적인 정보를 활용했음을 시사합니다.

그림 12–15는 네 가지 목표 변수인 평수, 침실, 욕실, 차고에 대한 SHAP 요약 플롯을 제시합니다. 이 그래프들은 CARE-MIRV-Net 메타모델이 개별 기본 학습자의 예측을 어떻게 활용했는지에 대한 통찰을 제공합니다. 각 플롯에서 가로축은 SHAP 값(특징 기여도)을, 색상 눈금은 낮은 값부터 높은 값까지의 특징 크기를 나타냅니다.

그림 12. 평방피트 예측을 위한 SHAP 요약 그래프. CARE-MIRV-Net 메타 학습기의 평방피트 추정에 대한 기본 모델 예측의 기여도를 보여주는 SHAP 요약 그래프. 특징은 중요도에 따라 순위가 매겨집니다. 점 색상은 특징 값을 나타내고, 수평 위치는 SHAP의 예측 기여를 나타냅니다. 샙, 샤플리 추가 설명. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 13. 침실 예측을 위한 SHAP 요약 그래프. CARE-MIRV-Net 메타 학습자가 침실 추정에 기여하는 기본 모델 예측의 기여도를 보여주는 SHAP 요약 그래프. 특징은 중요도에 따라 순위가 매겨집니다. 점 색상은 특징 값을 나타내고, 수평 위치는 SHAP의 예측 기여를 나타냅니다. 샙, 샤플리 추가 설명. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 14. 욕실 예측을 위한 SHAP 요약 그래프. CARE-MIRV-Net 메타학습자가 화장실 추정에 기여하는 기본 모델 예측의 기여도를 보여주는 SHAP 요약 그래프. 특징은 중요도에 따라 순위가 매겨집니다. 점 색상은 특징 값을 나타내고, 수평 위치는 SHAP의 예측 기여를 나타냅니다. 샙, 샤플리 추가 설명. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 15. 차고 예측을 위한 SHAP 요약 그래프. CARE-MIRV-Net 메타 학습자가 차고 추정에 기여하는 기본 모델 예측의 기여도를 보여주는 SHAP 요약 그래프. 특징은 중요도에 따라 순위가 매겨집니다. 점 색상은 특징 값을 나타내고, 수평 위치는 SHAP의 예측 기여를 나타냅니다. 샙, 샤플리 추가 설명. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 12 는 평방피트 예측을 위한 SHAP 요약본을 보여줍니다. Mob_SF, Res_SF, Inc_SF와 같은 특징들은 다른 특징보다 비교적 더 큰 SHAP 기여도를 보였으며, 이는 MobileNetV2, ResNet101, InceptionV3가 생성한 예측이 평방피트 추정에 상당히 기여했음을 나타낸다. 특징 값(빨간색)이 높을수록 예측 평방피트 면적이 늘어났고, 특징 값이 낮을수록 예측 면적이 낮아졌습니다. 침실과 욕실 관련 특징은 상대적으로 적은 기여도를 보였으며, 이는 평방피트 예측이 주로 기본 모델에서 생성된 면적 관련 예측에 의해 영향을 받았음을 시사한다.

그림 13 은 침실 예측을 위한 SHAP 분석을 보여줍니다. Res_Beds, VGG_Beds, Inc_Beds와 같은 특징들은 다른 특징보다 상대적으로 더 큰 기여도를 보였으며, 이는 ResNet101, VGG16, InceptionV3의 예측이 최종 침실 예측에 영향을 미쳤음을 나타냈다. SHAP 값은 0 근처에 분포했는데, 이는 메타모델이 단일 우세 예측 변수에 의존하기보다는 여러 출처의 정보를 통합했음을 시사합니다. 차고와 평수 면적과 관련된 특징들은 비교적 적은 기여도를 보였습니다.

그림 14 는 화장실 예측을 위한 SHAP 요약을 보여줍니다. VGG_Baths, Inc_Baths, Mob_Baths 등 특징들은 비교적 높은 기여도를 보였으며, 이는 VGG16, InceptionV3, MobileNetV2의 예측이 화장실 추정에 크게 기여했음을 나타냅니다. SHAP 값의 분포는 이러한 기본 모델에서 예측이 증가할수록 최종 예측에 더 큰 영향을 미쳤음을 시사합니다. 기여도는 다른 목표 변수들보다 모델 간에 더 넓게 분포된 것으로 나타났다.

그림 15 는 차고 예측을 위한 SHAP 분석을 보여줍니다. Mob_Garages, Inc_Garages, VGG_Garages 같은 특징들은 최종 예측에 비교적 강한 기여를 보였습니다. 그래프는 여러 기본 모델에서 나온 차고 관련 예측이 최종 출력에 기여했으며, 낮은 가치와 높은 가치의 특징 기여가 뚜렷하게 구분됨을 보여줍니다. SHAP 값의 광범위한 분포는 메타 모델이 차고 관련 예측 특징에 민감도가 높아졌음을 시사합니다.

전반적으로 SHAP 분석은 제안된 CARE-MIRV-Net 프레임워크가 최종 예측을 생성할 때 여러 기본 학습자의 기여를 통합했음을 입증했습니다. 이 결과는 네 가지 아키텍처 타깃 변수에 걸친 개별 모델 예측의 상대적 영향력을 해석 가능하게 제공하며, 메타 앙상블 의사결정 과정에 대한 이해를 지원합니다.

주거 배치 분류 결과

주거 배치 분류 결과의 대표적인 예는 그림 16–18에 나와 있습니다. 이 예시들은 CARE-MIRV-Net 프레임워크가 예측하는 아키텍처 속성에 규칙 기반 의사결정 계층을 적용하는 방식을 보여줍니다. 그림 16 은 의료 서비스 배치로 분류된 예시를, 그림 17 은 일반 주거 배치로 분류된 예를, 그림 18 은 노인 돌봄 배치로 분류된 예시를 제시합니다. 예시들은 프로토콜 섹션에서 설명된 사전 정의된 의사결정 규칙을 통해 예측된 아키텍처 속성이 애플리케이션 수준의 주거 카테고리로 어떻게 변환되는지 보여줍니다. 이러한 예시들은 독립적으로 검증된 임상 또는 의료 분류보다는 예측된 평면도 속성과 사전 정의된 의사결정 기준에서 도출된 규칙 기반 분류 프레임워크의 예시적 결과로 해석되어야 합니다.

그림 16. 의료 관리 주거 배치로 분류된 대표적인 예시입니다. 제안된 프레임워크에 의해 평가된 주거용 평면도 이미지로, 예측된 건축 속성과 규칙 기반 분류 기준에 따라 의료 관리 범주에 할당되었습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 17. 대표적인 예시로, 일반 주거 배치로 분류됩니다. 제안된 프레임워크에 의해 평가된 주거용 평면도 이미지로, 예측된 건축적 속성과 규칙 기반 분류 기준에 따라 일반 주거 범주에 할당되었습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 18. 대표적인 예시는 노인 요양 주택 배치로 분류됩니다. 제안된 프레임워크에 의해 평가된 주거용 평면도 이미지로, 예측된 건축 속성과 규칙 기반 분류 기준에 따라 노인 돌봄 범주에 할당되었습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 16에 나타난 대표적인 예시는 모델이 실제 2268.00 평방피트를 2233.16 평방피트로 예측했음을 보여주며, 이는 비교적 작은 예측 오차를 나타냅니다. 마찬가지로 침실(3.23 대 3), 욕실(2.65 대 2), 차고(1.11 대 1)의 예측값도 해당 진실 값과 가까웠습니다. 이러한 예측된 속성을 바탕으로 규칙 기반 의사결정 계층은 레이아웃을 의료 서비스로 분류했습니다. 이 예시는 프레임워크가 예측된 건축 속성을 적용하여 애플리케이션 수준의 주거 분류를 생성하는 방식을 보여줍니다.

그림 17에 보이는 두 번째 예시는 일반 주거용으로 분류되는 배치를 보여줍니다. 예측된 평수(1,692.76)는 실제 평수(1879.00)보다 낮았으나, 침실, 욕실, 차고의 예측 수는 해당 실제 수치에 가까웠습니다. 예측된 건축 속성을 바탕으로 결정 계층은 레이아웃을 일반 주거 범주에 할당했습니다. 이 예시는 개별 예측에 약간의 차이가 있음에도 불구하고 중간 규모의 주거 배치에 분류 체계를 적용한 사례를 보여줍니다.

그림 18 은 실제 평방피트가 981.00이고 예상 평방피트가 1076.17인 컴팩트 주거 레이아웃을 보여줍니다. 침실(1.99 대 2), 욕실(1.75 대 2), 차고(0.98 대 1)의 예측값도 해당 진실 값과 근접했습니다. 이러한 예측된 속성을 바탕으로 의사결정 계층은 레이아웃을 노인 돌봄으로 분류했습니다. 이 예시는 바닥 면적이 작고 방 수가 적은 배치에 미리 정해진 분류 규칙을 적용하는 방식을 보여줍니다.

전반적으로 대표적인 예시들은 CARE-MIRV-Net 프레임워크 내에서 건축 속성 예측과 규칙 기반 주거 배치 분류의 통합을 보여줍니다. 그림 16–18에 표시된 예시에서 예측된 건축 속성은 대체로 해당 현장 진실 값과 일치하여, 제안된 주거용 평면 분석 및 응용 분류 프레임워크의 사용을 뒷받침하였습니다.

데이터 가용성:

이 연구에 사용된 데이터셋은 Kaggle 저장소²⁸, "Floor Plan Images and Their Details"를 통해 공개되며, 다음 https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details 에서 접근할 수 있습니다. 본 연구에서 보고된 모든 분석은 공개적으로 접근 가능한 출처에서 얻은 데이터를 사용하여 수행되었습니다. 보고된 결과를 재현하는 데 필요한 소스 코드, 구현 문서, 환경 구성 정보는 보충 파일 1에 제공됩니다.

보충 파일 1. CARE-MIRV-Net 구현 패키지. 이 파일에는 CARE-MIRV-Net 워크플로우를 재현하는 데 필요한 소스 코드, README 문서, 소프트웨어 의존성 명세, 환경 정보 및 구현 스크립트가 포함되어 있습니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보조 파일 2. CARE-MIRV-Net 주거용 평면도 분석 알고리즘. 이 파일은 알고리즘 1을 제공하며, 여기에는 데이터 전처리, 기본 모델 예측, 메타 특징 연결, 메타 앙상블 예측, 의사결정 계층 분류, SHAP 기반 설명 가능성, 평가 지표 워크플로우가 포함됩니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

토론

본 연구는 주거용 평면도 이미지를 자동화하기 위한 스택 기반의 메타-앙상블 DL 프레임워크인 CARE-MIRV-Net을 제시합니다. 이 프레임워크는 MobileNetV2, InceptionV3, ResNet101, VGG16 등 네 가지 상호 보완적인 CNN 아키텍처를 통합하여 평수, 침실, 욕실, 차고 등 주요 건축 속성을 예측합니다. 이 예측들은 이후 메타 학습기를 통해 결합되어 규칙 기반 의사결정 계층 내에서 주거 배치를 노인 돌봄, 의료 또는 일반 주거 범주로 분류하는 데 사용됩니다. 예측 모델링, 앙상블 학습, 설명 가능한 AI의 통합은 주거용 평면도 분석을 위한 통합 프레임워크를 제공합니다 3,7,17,20.

대표 결과는 CARE-MIRV-Net이 여러 아키텍처 속성에서 개별 기본 모델에 비해 예측 성능이 향상되었음을 보여줍니다. 앙상블 프레임워크는 일반적으로 예측 오차를 줄이고 R²를 개선하여, 이기종 CNN 구조를 결합하면 예측 견고성을 높일 수 있음을 시사합니다^12,20. 또한 SHAP의 도입으로 개별 기본 모델들의 상대적 기여도를 해석할 수 있게 되어 모델 투명성이 증가했습니다^11,17. 따라서 이 프레임워크는 예측 수행과 모델 해석 가능성을 모두 요구하는 연구에 유용한 접근법을 제공할 수 있습니다.

제안된 프레임워크는 자동화된 건축 분석, 주거 설계 평가, 데이터 기반 의사결정 지원 시스템 연구의 발전에 기여할 수 있습니다. 다중 출력 예측과 응용 수준 분류를 통합함으로써, 이 프레임워크는 기존의 평면 인식이나 특징 추출 방식을 넘어섭니다. 이 방법론은 주거 계획, 스마트 주택 환경, 공간 배치 평가^{1, 2, 8, 22}와 관련된 연구에 적용될 수 있습니다. 하지만 몇 가지 제한점이 고려해야 합니다. 첫째, 프레임워크는 단일 공개 데이터셋을 사용해 개발 및 평가되었으며, 독립적인 데이터셋에 대한 외부 검증은 수행되지 않았습니다. 본 연구에서는 외부 검증이 이루어지지 않았으며, 모델 평가는 공개된 데이터셋에서 도출된 지정된 검정 하위 집합을 사용하여 수행되었습니다. 둘째, 프레임워크가 생성하는 주거 범주는 독립적으로 검증된 의료 설계 라벨이 아닌 사전 정의된 규칙 기반 기준에서 도출됩니다. 프레임워크가 생성하는 노인 돌봄, 의료 및 일반 주거 범주는 미리 정의된 규칙 기반 기준에서 도출되었으며, 임상적으로 검증된 의료 설계 평가로 해석되어서는 안 됩니다. 셋째, 이 프레임워크는 주로 평면도 이미지에서 도출된 건축적 특성에 의존하며, 의료 분야의 특정 설계 기준, 접근성 기준, 거주자 중심 결과 측정치를 포함하지 않습니다. 분류 규칙을 정의하는 데 공식적인 접근성, 의료 설계, 주거 설계 기준은 사용되지 않았습니다. 대신 분류 프레임워크는 사용 가능한 평면 속성과 응용 지향적 의사결정 기준을 사용하여 개발되었습니다. 향후 연구에는 독립 데이터셋에 대한 외부 검증, 공식 접근성 및 의료 설계 기준의 도입, 추가 설계 및 거주자 중심 결과 측정을 통한 평가가 포함되어 프레임워크의 적용 가능성과 일반화를 더욱 강화할 수 있습니다.

같은 가설을 조사하는 데에도 대안적 접근법이 사용될 수 있습니다. 예를 들어, 트랜스포머 기반 비전 모델, 그래프 기반 공간 표현, 또는 하이브리드 DL 아키텍처를 주거 레이아웃^{13, 15, 19} 내에서 공간 관계를 포착하는 데 적용할 수 있습니다. 마찬가지로, 전문가가 지정한 데이터셋이나 의료 설계 기준을 기반으로 한 분류 체계는 주거 배치 평가에 대체 방법을 제공할 수 있습니다 ^8,22. 이러한 방법들이 상호 보완적인 장점을 제공할 수 있지만, 제안된 CARE-MIRV-Net 프레임워크는 다중 출력 예측과 주거용 레이아웃 분류를 위한 스태킹 기반 앙상블 프레임워크 내에서 여러 CNN 아키텍처를 결합하는 것이 실현 가능함을 보여줍니다.

향후 연구는 더 고급 공간적 추론과 더 넓은 실제 적용 가능성을 지원하도록 프레임워크를 확장하는 데 집중할 수 있습니다. 잠재적 방향으로는 방 연결성을 모델링하기 위한 그래프 기반 평면도 표현의 도입, 특징 추출을 위한 비전 트랜스포머(ViT) 기반 아키텍처 평가, 그리고 다중 클래스 또는 다중 라벨 분류 전략 개발(^13,15,18)이 포함됩니다. 또한 향후 연구에서는 의료 중심 주거 환경에서 프레임워크의 적용 가능성을 평가하기 위해 의료 특화 설계 속성, 접근성 기준, 독립적인 검증 데이터셋을 포함할 수 있습니다 ^8,22. 이 프레임워크는 스마트 시티 플랫폼 및 주거 계획 의사결정 지원 시스템 통합에도 적용될 수 있습니다 ^1,2.

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
CARE-MIRV-Net 구현 패키지	보충 파일 1	버전 1.0	N/A
그림 및 표 재생성 스크립트	보충 파일 1	버전 1.0	N/A
평면도 이미지 및 세부 데이터세트	Kaggle	공개 데이터세트	N/A
GPU	NVIDIA Corporation	Tesla T4 × 2	N/A
Intel Xeon 프로세서	Intel Corporation	2.20 GHz	N/A
Keras	Keras Team	버전 3.13.2	N/A
Matplotlib	Matplotlib Development Team	버전 3.9	RRID:SCR_008624
NumPy	NumPy Developers	버전 2.4.6	RRID:SCR_008633
운영 체제	Linux	Ubuntu 22.04 LTS	N/A
Pandas	Pandas Development Team	버전 2.3.3	RRID:SCR_018214
Python	Python Software Foundation	버전 3.12.12	RRID:SCR_008394
Scikit-learn	Scikit-learn Developers	버전 1.6.1	RRID:SCR_002577
SHAP	SHAP Development Team	버전 0.51.0	N/A
시스템 메모리 (RAM)	클라우드 컴퓨팅 환경	31 GB	N/A
TensorFlow	Google	버전 2.19.0	RRID:SCR_016345
학습 환경 구성 파일	보충 파일 1	버전 1.0	N/A