論文の概要: A Convolutional Neural Network Approach to the Classification of
Engineering Models
- arxiv url: http://arxiv.org/abs/2107.06481v1
- Date: Wed, 14 Jul 2021 04:33:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-15 14:28:36.113177
- Title: A Convolutional Neural Network Approach to the Classification of
Engineering Models
- Title（参考訳）: 工学モデルの分類のための畳み込みニューラルネットワークアプローチ
- Authors: Bharadwaj Manda, Pranjal Bhaskare, Ramanathan Muthuganapathy
- Abstract要約: 本稿では,畳み込みニューラルネットワーク(CNN)を用いたCADモデルの深層学習手法を提案する。
ResNetにインスパイアされたCADNETの残余ネットワークアーキテクチャを使うことが提案されている。
提案したネットワークアーキテクチャを用いたLFDベースのCNNアプローチと勾配向上によりCADNET上での最良の分類精度が得られた。
- 参考スコア（独自算出の注目度）: 0.9558392439655015
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper presents a deep learning approach for the classification of
Engineering (CAD) models using Convolutional Neural Networks (CNNs). Owing to
the availability of large annotated datasets and also enough computational
power in the form of GPUs, many deep learning-based solutions for object
classification have been proposed of late, especially in the domain of images
and graphical models. Nevertheless, very few solutions have been proposed for
the task of functional classification of CAD models. Hence, for this research,
CAD models have been collected from Engineering Shape Benchmark (ESB), National
Design Repository (NDR) and augmented with newer models created using a
modelling software to form a dataset - 'CADNET'. It is proposed to use a
residual network architecture for CADNET, inspired by the popular ResNet. A
weighted Light Field Descriptor (LFD) scheme is chosen as the method of feature
extraction, and the generated images are fed as inputs to the CNN. The problem
of class imbalance in the dataset is addressed using a class weights approach.
Experiments have been conducted with other signatures such as geodesic distance
etc. using deep networks as well as other network architectures on the CADNET.
The LFD-based CNN approach using the proposed network architecture, along with
gradient boosting yielded the best classification accuracy on CADNET.
- Abstract（参考訳）: 本稿では,畳み込みニューラルネットワーク(cnns)を用いたcadモデルのための深層学習手法を提案する。
大規模な注釈付きデータセットが利用可能であり、GPUの形で十分な計算能力を持つため、特に画像やグラフィカルモデルの領域において、オブジェクト分類のためのディープラーニングベースのソリューションが近年提案されている。
それにもかかわらず、CADモデルの機能分類の課題に対して、非常に少ない解が提案されている。
そこで本研究では,CADモデルをESB(Engineering Shape Benchmark)や国家設計リポジトリ(National Design Repository,NDR)から収集し,モデリングソフトウェアを用いて新たなモデルを構築し,"CADNET"というデータセットを作成する。
ResNetにインスパイアされたCADNETの残余ネットワークアーキテクチャを使うことが提案されている。
特徴抽出の方法として重み付き光フィールド記述子(LFD)方式を選択し、生成された画像をCNNへの入力として供給する。
データセットにおけるクラス不均衡の問題は、クラス重み付けアプローチを用いて解決される。
測地線距離など他のシグネチャでも実験が行われている。
CADNET上の他のネットワークアーキテクチャと同様にディープネットワークを使用する。
提案したネットワークアーキテクチャを用いたLFDベースのCNNアプローチと勾配向上によりCADNET上での最良の分類精度が得られた。
関連論文リスト
- Adaptable Embeddings Network (AEN) [49.1574468325115]
我々はカーネル密度推定(KDE)を用いた新しいデュアルエンコーダアーキテクチャであるAdaptable Embeddings Networks (AEN)を紹介する。
AENは、再トレーニングせずに分類基準のランタイム適応を可能にし、非自己回帰的である。
アーキテクチャのプリプロセスとキャッシュ条件の埋め込み能力は、エッジコンピューティングアプリケーションやリアルタイム監視システムに最適である。
論文 参考訳（メタデータ） (2024-11-21T02:15:52Z) - Towards Scalable and Versatile Weight Space Learning [51.78426981947659]
本稿では,重み空間学習におけるSANEアプローチを紹介する。
ニューラルネットワーク重みのサブセットの逐次処理に向けて,超表現の概念を拡張した。
論文 参考訳（メタデータ） (2024-06-14T13:12:07Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳（メタデータ） (2023-12-03T13:50:24Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳（メタデータ） (2023-10-11T12:46:11Z) - A Gradient Boosting Approach for Training Convolutional and Deep Neural
Networks [0.0]
グラディエントブースティング(GB)に基づく畳み込みニューラルネットワーク(CNN)とディープニューラルネットワークの訓練方法を紹介する。
提案モデルでは,同一アーキテクチャの標準CNNとDeep-NNに対して,分類精度の点で優れた性能を示す。
論文 参考訳（メタデータ） (2023-02-22T12:17:32Z) - A Domain Decomposition-Based CNN-DNN Architecture for Model Parallel Training Applied to Image Recognition Problems [0.0]
モデル並列トレーニング戦略を自然にサポートする新しいCNN-DNNアーキテクチャを提案する。
提案手法は,グローバルモデルと比較して,必要なトレーニング時間を著しく短縮することができる。
その結果,提案手法は,基礎となる分類問題の精度向上にも有効であることが示唆された。
論文 参考訳（メタデータ） (2023-02-13T18:06:59Z) - MAgNET: A Graph U-Net Architecture for Mesh-Based Simulations [0.5185522256407782]
我々は、任意のグラフ構造化データに対応するために、よく知られた畳み込みニューラルネットワークを拡張するMagNETを提案する。
固体の力学における非線形有限要素シミュレーションのサロゲートモデリングにおけるMAgNETの予測能力を示す。
論文 参考訳（メタデータ） (2022-11-01T19:23:45Z) - FlowNAS: Neural Architecture Search for Optical Flow Estimation [65.44079917247369]
本研究では,フロー推定タスクにおいて,より優れたエンコーダアーキテクチャを自動で見つけるために,FlowNASというニューラルアーキテクチャ探索手法を提案する。
実験の結果、スーパーネットワークから受け継いだ重み付きアーキテクチャは、KITTI上で4.67%のF1-allエラーを達成していることがわかった。
論文 参考訳（メタデータ） (2022-07-04T09:05:25Z) - An Efficient End-to-End 3D Model Reconstruction based on Neural
Architecture Search [5.913946292597174]
ニューラルアーキテクチャサーチ(NAS)とバイナリ分類を用いた効率的なモデル再構成手法を提案する。
本手法は,より少ないネットワークパラメータを用いて,再構成精度を著しく向上する。
論文 参考訳（メタデータ） (2022-02-27T08:53:43Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - Inferring Convolutional Neural Networks' accuracies from their
architectural characterizations [0.0]
CNNのアーキテクチャと性能の関係について検討する。
本稿では,2つのコンピュータビジョンに基づく物理問題において,その特性がネットワークの性能を予測できることを示す。
我々は機械学習モデルを用いて、トレーニング前にネットワークが一定のしきい値精度よりも優れた性能を発揮できるかどうかを予測する。
論文 参考訳（メタデータ） (2020-01-07T16:41:58Z)
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。