論文の概要: ActivationNet: Representation learning to predict contact quality of
interacting 3-D surfaces in engineering designs
- arxiv url: http://arxiv.org/abs/2103.11288v1
- Date: Sun, 21 Mar 2021 02:30:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 08:50:40.364977
- Title: ActivationNet: Representation learning to predict contact quality of
interacting 3-D surfaces in engineering designs
- Title（参考訳）: アクティベーションネット : 工学設計における相互作用する3次元表面の接触品質予測のための表現学習
- Authors: Rishikesh Ranade and Jay Pathak
- Abstract要約: 機械学習アプリケーションでは、三次元表面はポイントクラウドやメッシュで最も好適に表現される。
本稿では,3次元表面を相互作用する点雲やメッシュから学習し,それらの表面間の接触の質を予測する機械学習アルゴリズム ActivationNet を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Engineering simulations for analysis of structural and fluid systems require
information of contacts between various 3-D surfaces of the geometry to
accurately model the physics between them. In machine learning applications,
3-D surfaces are most suitably represented with point clouds or meshes and
learning representations of interacting geometries form point-based
representations is challenging. The objective of this work is to introduce a
machine learning algorithm, ActivationNet, that can learn from point clouds or
meshes of interacting 3-D surfaces and predict the quality of contact between
these surfaces. The ActivationNet generates activation states from point-based
representation of surfaces using a multi-dimensional binning approach. The
activation states are further used to contact quality between surfaces using
deep neural networks. The performance of our model is demonstrated using
several experiments, including tests on interacting surfaces extracted from
engineering geometries. In all the experiments presented in this paper, the
contact quality predictions of ActivationNet agree well with the expectations.
- Abstract（参考訳）: 構造系と流体系の解析のための工学シミュレーションは、それらの間の物理を正確にモデル化するために、幾何学の様々な3次元表面間の接触情報を必要とする。
機械学習アプリケーションでは、3次元曲面は点雲やメッシュで最も好適に表現され、相互作用するジオメトリの学習表現は点ベース表現では困難である。
この研究の目的は、相互作用する3次元表面の点群やメッシュから学習し、これらの表面間の接触の質を予測する機械学習アルゴリズム「アクティベーションネット」の導入である。
ActivationNetは多次元ビンニング手法を用いて表面の点ベース表現から活性化状態を生成する。
活性化状態はさらに、ディープニューラルネットワークを使用して表面間の品質に接触するために使用される。
本モデルの性能は,工学的ジオメトリから抽出した相互作用面の試験を含むいくつかの実験を用いて実証した。
本稿では,すべての実験において,ActivationNetの接触品質予測は期待とよく一致している。
関連論文リスト
- Geometry Distributions [51.4061133324376]
本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。
提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。
本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
論文 参考訳（メタデータ） (2024-11-25T04:06:48Z) - Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。
従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。
当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
論文 参考訳（メタデータ） (2024-05-23T14:39:52Z) - Object Dynamics Modeling with Hierarchical Point Cloud-based Representations [1.3934784414106087]
本稿では,連続点畳み込みに基づく新しいU-netアーキテクチャを提案する。
ダウンサンプリングされた点雲のボトルネック層は、より優れた長距離相互作用モデリングをもたらす。
我々の手法は、特に正確な重力や衝突の推論を必要とするシナリオにおいて、最先端の手法を大幅に改善する。
論文 参考訳（メタデータ） (2024-04-09T06:10:15Z) - ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。
この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
論文 参考訳（メタデータ） (2024-03-15T14:35:05Z) - Surface Geometry Processing: An Efficient Normal-based Detail
Representation [66.69000350849328]
2次元正規領域に効率的な表面詳細処理フレームワークを導入する。
提案する正規表現は,細部分離性,細部転送性,細部イデオロジェンスという3つの重要な特性を持つことを示す。
3つの新しいスキームは、幾何学的テクスチャ合成、幾何学的ディテール転送、3次元表面超解像を含む幾何学的表面詳細処理の応用のために設計されている。
論文 参考訳（メタデータ） (2023-07-16T04:46:32Z) - Learning Neural Implicit Representations with Surface Signal
Parameterizations [14.835882967340968]
本稿では,外見データに適した表面パラメータ化を暗黙的に符号化するニューラルネットワークアーキテクチャを提案する。
私たちのモデルは、既存のメッシュベースのデジタルコンテンツと外見データとの互換性が保たれています。
論文 参考訳（メタデータ） (2022-11-01T15:10:58Z) - Deep Active Surface Models [60.027353171412216]
アクティブサーフェスモデルは複雑な3次元表面をモデル化するのに有用な長い歴史を持っているが、ディープネットワークと組み合わせて使用されるのはアクティブ・コンターのみである。
グラフ畳み込みネットワークにシームレスに統合して、洗練された滑らかさを強制できるレイヤを導入します。
論文 参考訳（メタデータ） (2020-11-17T18:48:28Z) - Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。
ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。
提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
論文 参考訳（メタデータ） (2020-08-18T06:33:40Z)
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。