論文の概要: Geometry Based Machining Feature Retrieval with Inductive Transfer Learning

• arxiv url: http://arxiv.org/abs/2108.11838v1
• Date: Thu, 26 Aug 2021 15:08:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-27 17:45:24.915345
• Title: Geometry Based Machining Feature Retrieval with Inductive Transfer Learning
• Title（参考訳）: インダクティブ・トランスファー・ラーニングによる幾何学に基づく加工特徴検索
• Authors: N S Kamal, Barathi Ganesh HB, Sajith Variyar VV, Sowmya V, Soman KP
• Abstract要約: インダクティブトランスファー学習を用いたCADモデルから高レベルのセマンティックな特徴を抽出し,学習することができる。 その結果, モデルが機械的特徴から幾何学的要素を効果的に捕捉できることが判明した。
• 参考スコア（独自算出の注目度）: 1.1759564521969381
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Manufacturing industries have widely adopted the reuse of machine parts as a method to reduce costs and as a sustainable manufacturing practice. Identification of reusable features from the design of the parts and finding their similar features from the database is an important part of this process. In this project, with the help of fully convolutional geometric features, we are able to extract and learn the high level semantic features from CAD models with inductive transfer learning. The extracted features are then compared with that of other CAD models from the database using Frobenius norm and identical features are retrieved. Later we passed the extracted features to a deep convolutional neural network with a spatial pyramid pooling layer and the performance of the feature retrieval increased significantly. It was evident from the results that the model could effectively capture the geometrical elements from machining features.
• Abstract（参考訳）: 製造業は、機械部品の再利用をコスト削減や持続可能な製造慣行として広く採用してきた。 部品の設計から再利用可能な特徴を特定し、データベースから類似した特徴を見つけることが、このプロセスの重要な部分である。 本研究は,完全畳み込み幾何学的特徴の助けを借りて,インダクティブトランスファー学習を用いたCADモデルから高レベルの意味的特徴を抽出し,学習することができる。 抽出した特徴をフロベニウスノルムを用いてデータベースの他のCADモデルと比較し、同一の特徴を検索する。 その後,空間的ピラミッドプール層を有する深層畳み込みニューラルネットワークに抽出した特徴を伝達し,特徴検索の性能を著しく向上させた。 その結果, モデルが加工特徴から幾何学的要素を効果的に捕捉できることが判明した。

関連論文リスト

• Automatic Feature Recognition and Dimensional Attributes Extraction From CAD Models for Hybrid Additive-Subtractive Manufacturing [0.0]
  本稿では,加法および減算加工の両方に関連する特徴を含む合成CADデータセットを作成するための新しいアプローチを提案する。 階層型グラフ畳み込みニューラルネットワーク (HGCNN) モデルは, 合成加法-減算的特徴を正確に識別するために実装されている。 提案モデルでは,特徴認識精度が97%を超え,特徴抽出精度が100%以上であることを示す。
  論文  参考訳（メタデータ） (2024-08-13T13:38:32Z)
• Smooth Like Butter: Evaluating Multi-Lattice Transitions in Property-Augmented Latent Spaces [0.0]
  本研究は,複数格子遷移領域を生成するためのハイブリッドジオメトリ/プロパティ変分オートエンコーダ(VAE)を実装し,評価する。 本研究では, ハイブリッドVAEが遷移領域を通した剛性連続性を維持する上で, 高い性能を示した。
  論文  参考訳（メタデータ） (2024-07-10T22:28:13Z)
• Learning to Extract Structured Entities Using Language Models [52.281701191329]
  機械学習の最近の進歩は、情報抽出の分野に大きな影響を与えている。 タスクをエンティティ中心にすることで、さまざまなメトリクスの使用を可能にします。 我々は、Structured Entity extractを導入し、Adroximate Entity Set OverlaPメトリックを提案し、この分野にコントリビュートします。
  論文  参考訳（メタデータ） (2024-02-06T22:15:09Z)
• Human as Points: Explicit Point-based 3D Human Reconstruction from Single-view RGB Images [78.56114271538061]
  我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。 提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。 我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
  論文  参考訳（メタデータ） (2023-11-06T05:52:29Z)
• Engineering the Neural Collapse Geometry of Supervised-Contrastive Loss [28.529476019629097]
  Supervised-Contrastive Los (SCL) は、分類タスクのためのクロスエントロピー(CE)の代替品である。 コントラスト損失を補正することにより,学習した特徴埋め込みの幾何学を設計する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-02T04:23:17Z)
• Geometry-Aware Hierarchical Bayesian Learning on Manifolds [5.182379239800725]
  多様体値の視覚データに基づく学習のための階層型ベイズ学習モデルを提案する。 まず、幾何学的認識とカーネル内畳み込みの性質を持つカーネルを導入する。 次に、ガウス過程回帰を用いて入力を整理し、最終的に特徴集約のための階層的ベイズネットワークを実装する。
  論文  参考訳（メタデータ） (2021-10-30T05:47:05Z)
• Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
  潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。 本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
  論文  参考訳（メタデータ） (2021-08-16T11:52:08Z)
• Transforming Feature Space to Interpret Machine Learning Models [91.62936410696409]
  この貢献は、特徴空間変換のレンズを通して機械学習モデルを解釈する新しいアプローチを提案する。 非条件的および条件付きポストホック診断ツールの拡張に使用できる。 提案手法の可能性を実証するために,46特徴のリモートセンシング土地被覆分類の事例研究を行った。
  論文  参考訳（メタデータ） (2021-04-09T10:48:11Z)
• Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
  オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。 再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。 本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
  論文  参考訳（メタデータ） (2021-03-30T17:57:01Z)
• Deep Structure Learning using Feature Extraction in Trained Projection Space [0.0]
  我々は、低次元空間における畳み込みによる特徴抽出を可能にするために、Randon-transform(線形データ投影)の自己調整およびデータ依存バージョンを用いてネットワークアーキテクチャを導入する。 PiNetという名前のフレームワークは、エンドツーエンドでトレーニングでき、ボリュームセグメンテーションタスクで有望なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2020-09-01T12:16:55Z)
• Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
  マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。 MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。 本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
  論文  参考訳（メタデータ） (2020-02-17T19:06:05Z)

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。