vestniktgasuВестник Томского государственного архитектурно-строительного университетаVestnik Tomskogo gosudarstvennogo arkhitekturno-stroitel'nogo universiteta. JOURNAL of Construction and Architecture1607-18592310-0044Tomsk State University of Architecture and Building10.31675/1607-1859-2023-25-5-84-94vestniktgasu-1596Research ArticleАРХИТЕКТУРА И ГРАДОСТРОИТЕЛЬСТВОARCHITECTURE AND URBAN PLANNINGГенеративно-состязательная сеть как основа интеллектуальной модели формирования изображений архитектурных объектов заданного стиля по их текстовому описанию (КузГТУ, г. Кемерово, ТГАСУ, г. Томск)Generative adversarial network as a basis for intelligent model of imaging architectural objects based on textual description (Kemerovo, Tomsk)ПыловП. А.PylovP. A.

Петр Андреевич Пылов, аспирант

650000

ул. Весенняя, 28

Кемерово

Petr A. Pylov, Research Assistant

Kemerovo

gedrosten@mail.ruДягилеваА. В.DyagilevaA. V.

Анна Владимировна Дягилева, канд. техн. наук, доцент

650000

ул. Весенняя, 28

Кемерово

Anna V. Dyagileva, PhD, A/Professor

Kemerovo

dyagileva@mail.ruНиколаеваЕ. А.NikolaevaE. A.

Евгения Александровна Николаева, канд. физ.-мат. наук, доцент, зав. кафедрой

650000

ул. Весенняя, 28

Кемерово

Evgenija A. Nikolaeva, PhD, A/Professor

Kemerovo

nikolaevaea@yandex.ruМайтакР. В.MaitakR. V.

Роман Вячеславович Майтак, магистрант

650000

ул. Весенняя, 28

Кемерово

Roman V. Maitak, Graduate Student

Kemerovo

superenergy@mail.ruШалыгинаТ. А.ShalyginaT. A.

Татьяна Анатольевна Шалыгина, канд. техн. наук, доцент

634003

пл. Соляная, 2

Томск

Tat'jana A. Shalygina, PhD, A/Professor

Tomsk

shal53@mail.ruКузбасский государственный технический университет имени Т. Ф. ГорбачеваРоссияGorbachev Kuzbass State Technical UniversityRussian FederationТомский государственный архитектурно-строительный университетРоссияTomsk State University of Architecture and BuildingRussian Federation2023251020232558494Copyright © Пылов П.А., Дягилева А.В., Николаева Е.А., Майтак Р.В., Шалыгина Т.А., 20232023Пылов П.А., Дягилева А.В., Николаева Е.А., Майтак Р.В., Шалыгина Т.А.Pylov P.A., Dyagileva A.V., Nikolaeva E.A., Maitak R.V., Shalygina T.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.tsuab.ru/jour/article/view/1596

   Актуальность тематики основывается на растущих темпах урбанизации и  цифровизации современного общества: чтобы идти в ногу со временем, архитектура градостроительства должна отвечать не только новейшим эстетическим требованиям, но и критерию скорости разработки проектов будущих зданий. Очевидно, что сократить время реализации проектов новых зданий возможно на основе внедрения современных информационных технологий в процесс разработки архитектурного концепта.

   Основной целью научной статьи является реализация модели машинного представления генерации изображений заданных пользователем архитектурных объектов выбранного стиля.

   Одной из вариаций подобной информационно-интеллектуальной системы является авторская модель машинного обучения, основанная на генеративно-состязательных нейронных сетях, которые открывают возможность генерации изображений здания выбранного архитектурного стиля на основе текстового описания пользователя.

   Вывод: рассматриваемая автоматизирующая система позволит существенно сократить временные, человеческие и денежные ресурсы, требуемые для разработки проекта будущего здания.

   Вывод

   Вывод: рассматриваемая автоматизирующая система позволит существенно сократить временные, человеческие и денежные ресурсы, требуемые для разработки проекта будущего здания.

Перенести в английский вариант

   Due to the high technology integrated into a person's daily life (smart house), this topic is relevant. One of elements of generative adversarial network is robot vacuum cleaners of various surface. Difficulties caused by this technique largely depend on the environment in which it locates.

   Purpose

   Purpose: The development of the convolutional neural network concept allowing real-time distinguishing between the building interior and exterior.

   Practical implication

   Practical implication: The proposed intelligent system can distinguish between the building interior and exterior, that will considerably improve the firmware performance of modern technology in both the domestic and industrial segments.

искусственный интеллектприкладное машинное обучениеградостроительствоархитектура зданийartificial intelligenceapplied machine learningurban planningbuild ing architectureReferencesCampanario G. The urban sketching handbook: architecture and cityscapes: tips and techniques for drawing on location. Quarry Books. 2014. 112 с. ISBN 9781592539611.Campanario G. The urban sketching handbook: Architecture and cityscapes: Tips and techniques for drawing on location. Quarry Books. 2014. 112 p. ISBN 9781592539611.Radford А., Srivastava A., Morcoç S.B. The elements of modern architecture: understanding contemporary buildings. Thames & Hudson. 2014. 344 с. ISBN 978-0500023624.Radford А., Srivastava A., Morcoç S.B. The elements of modern architecture: Understanding contemporary buildings. Thames & Hudson. 2014. 344 p. ISBN 978-0500023624.Bengio Y. Practical Recommendations for gradient-based training of deep architectures // Arxiv : [сайт]. doi: 10.48550/arXiv.1206.5533 (дата обращения: 28. 08. 2023).Bengio Y. Practical recommendations for gradient-based training of deep architectures. doi: 10.48550/arXiv.1206.5533 (accessed August 28, 2023).Wolohan J.T. Mastering large datasets with Python. Manning Press. 2020. 312 c. ISBN 9781617296239.Wolohan J.T. Mastering large datasets with Python. Manning Press. 2020. 312 p. ISBN 9781617296239.Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. Санкт-Петербург : Издательский дом «Питер», 2018. 482 с. ISBN 978-5-496-02536-2.Nikolenko S., Kadurin A., Arkhangelskaya E. Deep learning. Immersion in the world of neural networks. Saint-Petersburg: Piter, 2018. 482 p. ISBN 978-5-496-02536-2. (In Russian)Kopec D. Classic Computer Science Problems in Python. Manning Shelter Island. 2019. 201 c. ISBN 9781617295980.Kopec D. Classic computer science problems in Python. Manning Shelter Island. 2019. 201 p. ISBN 9781617295980.Пылов П.А., Майтак Р.В., Дягилева А.В. Разработка интеллектуальных систем для обработки сигналов с датчиков давления. Москва ; Вологда : Инфра-Инженерия, 2023. 172 с. ISBN 978-5-9729-1594-1.Pylov P.A., Maitak R.V., Dyagileva A.V. Development of intelligent systems for processing signals from pressure sensors. Moscow, Vologda: Infra-Engineering, 2023. 172 p. ISBN 978-5-9729-1594-1. (In Russian)Abrahams S., Hafner D. TensorFlow for machine learning intelligence. Bleeding Edge Press. 2019. 245 с.Abrahams S., Hafner D. Tensor flow for machine learning intelligence. Bleeding Edge Press. 2019. 245 p.Аггарвал Ч. Нейронные сети и глубокое обучение: перевод с английского. Санкт-Петербург : ООО «Диалектика», 2020. 752 с. ISBN 978-5-907203-01-3.Aggarwal Ch. Neural networks and deep learning. Saint-Petersburg: Dialektika, 2020. 752 p. ISBN 978-5-907203-01-3. (Russian translation)Когалов Ю. Криминалисты назвали причину пожара в Нотр-Даме // RGRU.Российская газета : [сайт]. URL: https://rg.ru/2019/04/17/kriminalisty-nazvali-prichinu-pozhara-v-notr-dame.html (дата обращения: 08. 10. 2023).Kogalov Yu. Forensic experts have named the cause of the Notre Dame fire. Available: https://rg.ru/2019/04/17/kriminalisty-nazvali-prichinu-pozhara-v-notr-dame.html (accessed October 8, 2023).Собор Парижской Богоматери восстановят благодаря игре Assassin’s Creed // Росбалт.RU : [сайт].URL: https://www.rosbalt.ru/world/2019/04/16/1776251.html (дата обращения: 08. 10. 2023).The Cathedral of Notre Dame de Paris will be restored thanks to the Assassin's Creed game. Available: www.rosbalt.ru/world/2019/04/16/1776251.html (accessed October 8, 2023).

The authors declare that there are no conflicts of interest present.