論文の概要: BIKED: A Dataset and Machine Learning Benchmarks for Data-Driven Bicycle Design

• arxiv url: http://arxiv.org/abs/2103.05844v1
• Date: Wed, 10 Mar 2021 03:12:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-11 20:10:57.886179
• Title: BIKED: A Dataset and Machine Learning Benchmarks for Data-Driven Bicycle Design
• Title（参考訳）: BIKED: データ駆動自転車設計のためのデータセットと機械学習ベンチマーク
• Authors: Lyle Regenwetter, Brent Curry, Faez Ahmed
• Abstract要約: 数百人のデザイナーによる4500台の自転車モデルからなるデータセット「BIKED」を発表します。 データセットは、アセンブリイメージ、コンポーネントイメージ、数値設計パラメータ、クラスラベルを含む、さまざまな設計情報で構成されている。
• 参考スコア（独自算出の注目度）: 1.933681537640272
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present "BIKED," a dataset comprised of 4500 individually designed bicycle models sourced from hundreds of designers. We expect BIKED to enable a variety of data-driven design applications for bicycles and generally support the development of data-driven design methods. The dataset is comprised of a variety of design information including assembly images, component images, numerical design parameters, and class labels. In this paper, we first discuss the processing of the dataset and present the various features provided. We then illustrate the scale, variety, and structure of the data using several unsupervised clustering studies. Next, we explore a variety of data-driven applications. We provide baseline classification performance for 10 algorithms trained on differing amounts of training data. We then contrast classification performance of three deep neural networks using parametric data, image data, and a combination of the two. Using one of the trained classification models, we conduct a Shapley Additive Explanations Analysis to better understand the extent to which certain design parameters impact classification predictions. Next, we test bike reconstruction and design synthesis using two Variational Autoencoders (VAEs) trained on images and parametric data. We furthermore contrast the performance of interpolation and extrapolation tasks in the original parameter space and the latent space of a VAE. Finally, we discuss some exciting possibilities for other applications beyond the few actively explored in this paper and summarize overall strengths and weaknesses of the dataset.
• Abstract（参考訳）: 本論文では,数百人のデザイナーが設計した自転車モデル4500点からなるデータセット「BIKED」について述べる。 自転車用のさまざまなデータ駆動設計アプリケーションを可能にし、一般的にデータ駆動設計方法の開発をサポートすると私たちは期待している。 データセットは、アセンブリイメージ、コンポーネントイメージ、数値設計パラメータ、クラスラベルを含む、さまざまな設計情報で構成されている。 本稿ではまず,データセットの処理について論じ,提供される各種特徴について述べる。 次に、教師なしクラスタリング研究を用いて、データのスケール、多様性、構造を説明します。 次に、さまざまなデータ駆動アプリケーションを調べます。 異なるトレーニングデータに基づいて訓練された10アルゴリズムのベースライン分類性能を提供する。 次に、パラメトリックデータ、画像データ、およびこれら2つの組み合わせを用いた3つのディープニューラルネットワークの分類性能を対比する。 訓練された分類モデルの1つを使用して、特定の設計パラメータが分類予測に影響を与える範囲をよりよく理解するために、Shapley Additive Explanations Analysisを実施します。 次に,画像とパラメトリックデータで学習した2つの変分オートエンコーダ(vaes)を用いて,自転車の再構成と設計合成をテストした。 さらに、元のパラメータ空間における補間タスクと外挿タスクのパフォーマンスと、VAEの潜入空間とを対比する。 最後に、この論文で積極的に検討された数を超える他のアプリケーションのためのいくつかのエキサイティングな可能性を議論し、データセットの全体的な長所と短所を要約します。

関連論文リスト

• Diffusion Models as Data Mining Tools [87.77999285241219]
  本稿では、画像合成のために訓練された生成モデルを視覚データマイニングのツールとして利用する方法について述べる。 特定のデータセットから画像を合成するために条件拡散モデルを微調整した後、これらのモデルを用いて典型性尺度を定義することができることを示す。 この尺度は、地理的位置、タイムスタンプ、セマンティックラベル、さらには病気の存在など、異なるデータラベルに対する典型的な視覚的要素がどのように存在するかを評価する。
  論文  参考訳（メタデータ） (2024-07-20T17:14:31Z)
• DrivAerNet++: A Large-Scale Multimodal Car Dataset with Computational Fluid Dynamics Simulations and Deep Learning Benchmarks [25.00264553520033]
  DrivAerNet++は、高忠実度計算流体力学(CFD)シミュレーションをモデルとした8000の多種多様な自動車設計で構成されている。 データセットには、ファストバック、ノッチバック、エステートバックといった多様な車種が含まれており、内燃機関と電気自動車の両方を表す車体と車輪のデザインが異なる。 このデータセットは、データ駆動設計最適化、生成モデリング、代理モデルトレーニング、CFDシミュレーションアクセラレーション、幾何学的分類を含む幅広い機械学習アプリケーションをサポートしている。
  論文  参考訳（メタデータ） (2024-06-13T23:19:48Z)
• UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction [93.77809355002591]
  さまざまなデータセット、モデル、評価基準を統一する包括的なフレームワークであるUniTrajを紹介する。 我々は広範な実験を行い、他のデータセットに転送するとモデルの性能が大幅に低下することがわかった。 これらの知見を説明するために,データセットの特徴に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-03-22T10:36:50Z)
• MTP: Advancing Remote Sensing Foundation Model via Multi-Task Pretraining [73.81862342673894]
  ファンデーションモデルは、様々な画像解釈タスクを強化することで、リモートセンシング(RS)のランドスケープを再構築した。 事前訓練されたモデルを下流のタスクに転送することは、イメージ分類やオブジェクト識別タスクとして事前訓練の定式化によるタスクの相違に遭遇する可能性がある。 SAMRSデータセット上で、セマンティックセグメンテーション、インスタンスセグメンテーション、回転オブジェクト検出を含むマルチタスクによる事前トレーニングを行う。 我々のモデルは、シーン分類、水平・回転物体検出、セマンティックセグメンテーション、変化検出など、様々なRS下流タスクに基づいて微調整される。
  論文  参考訳（メタデータ） (2024-03-20T09:17:22Z)
• BIKED++: A Multimodal Dataset of 1.4 Million Bicycle Image and Parametric CAD Designs [4.470596692490074]
  本稿では,140万個の自転車設計の公開データセットについて紹介する。 データセットは、BikeCADソフトウェアを利用するレンダリングエンジンを使用して作成される。
  論文  参考訳（メタデータ） (2024-02-07T22:37:16Z)
• Images in Discrete Choice Modeling: Addressing Data Isomorphism in Multi-Modality Inputs [77.54052164713394]
  本稿では,離散選択モデリング(DCM)と機械学習の交わりについて考察する。 本稿では,DCMフレームワーク内の従来の表型入力と同型情報を共有する高次元画像データの埋め込み結果について検討する。
  論文  参考訳（メタデータ） (2023-12-22T14:33:54Z)
• Sketch Input Method Editor: A Comprehensive Dataset and Methodology for Systematic Input Recognition [14.667745062352148]
  本研究の目的は,プロフェッショナルなC4Iシステム用に設計されたSketch Input Method Editor(SketchIME)を作成することである。 このシステム内では、スケッチは標準化されたシンボルを推奨する低忠実なプロトタイプとして利用される。 少数ショットのドメイン適応とクラス増分学習を取り入れることで、ネットワークの新規ユーザへの適応能力は大幅に向上する。
  論文  参考訳（メタデータ） (2023-11-30T05:05:38Z)
• Cluster Exploration using Informative Manifold Projections [0.0]
  次元減少(DR)は、高次元データの視覚的探索の鍵となるツールの1つである。 本稿では,様々な事前知識に関連付けられた構造を抽出する情報埋め込みを生成する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-26T11:35:25Z)
• Salient Objects in Clutter [130.63976772770368]
  本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。 この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。 我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
  論文  参考訳（メタデータ） (2021-05-07T03:49:26Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。