論文の概要: A learning-based approach to feature recognition of Engineering shapes
- arxiv url: http://arxiv.org/abs/2112.07962v1
- Date: Wed, 15 Dec 2021 08:35:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-16 14:00:22.736683
- Title: A learning-based approach to feature recognition of Engineering shapes
- Title（参考訳）: 工学的形状の特徴認識への学習に基づくアプローチ
- Authors: Lakshmi Priya Muraleedharan and Ramanathan Muthuganapathy
- Abstract要約: CADメッシュモデルにおける工学的形状の特徴を認識する機械学習手法を提案する。
Gaussマップの個別バージョンは、機能学習のシグネチャとして使用できる。
認識精度は3D畳み込みニューラルネットワーク(CNN)を用いて得られたものと非常によく似ている
- 参考スコア（独自算出の注目度）: 1.2691047660244335
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this paper, we propose a machine learning approach to recognise
engineering shape features such as holes, slots, etc. in a CAD mesh model. With
the advent of digital archiving, newer manufacturing techniques such as 3D
printing, scanning of components and reverse engineering, CAD data is
proliferated in the form of mesh model representation. As the number of nodes
and edges become larger in a mesh model as well as the possibility of presence
of noise, direct application of graph-based approaches would not only be
expensive but also difficult to be tuned for noisy data. Hence, this calls for
newer approaches to be devised for feature recognition for CAD models
represented in the form of mesh. Here, we show that a discrete version of Gauss
map can be used as a signature for a feature learning. We show that this
approach not only requires fewer memory requirements but also the training time
is quite less. As no network architecture is involved, the number of
hyperparameters are much lesser and can be tuned in a much faster time. The
recognition accuracy is also very similar to that of the one obtained using 3D
convolutional neural networks (CNN) but in much lesser running time and storage
requirements. A comparison has been done with other non-network based machine
learning approaches to show that our approach has the highest accuracy. We also
show the recognition results for CAD models having multiple features as well as
complex/interacting features obtained from public benchmarks. The ability to
handle noisy data has also been demonstrated.
- Abstract（参考訳）: 本稿では,cadメッシュモデルにおいて,穴やスロットなどの工学的形状特徴を認識するための機械学習手法を提案する。
デジタルアーカイブや3dプリンティング、部品のスキャン、リバースエンジニアリングといった新しい製造技術が登場し、cadデータはメッシュモデル表現という形で広まりつつある。
メッシュモデルではノード数やエッジ数が増加し,ノイズの発生可能性も高くなるため,グラフベースのアプローチの直接的な適用は高価であるだけでなく,ノイズの多いデータに対して調整することが困難になる。
これにより、メッシュ形式で表現されたCADモデルの特徴認識のために考案される新しいアプローチが要求される。
ここでは,gauss mapの離散バージョンを特徴学習のシグネチャとして使用できることを示す。
このアプローチでは、メモリ要件の削減だけでなく、トレーニング時間の短縮も実現しています。
ネットワークアーキテクチャが関与しないため、ハイパーパラメータの数ははるかに少なくなり、より速い時間で調整できる。
認識精度は3D畳み込みニューラルネットワーク(CNN)で得られたものと非常に似ているが、実行時間やストレージの要件ははるかに少ない。
他の非ネットワークベースの機械学習手法と比較して、我々のアプローチが最も正確であることを示す。
また,複数の特徴を有するcadモデルの認識結果と,公開ベンチマークから得られた複雑/対話的特徴を示す。
ノイズデータを扱う能力も実証されている。
関連論文リスト
- Neural Metamorphosis [72.88137795439407]
本稿では,ニューラル・メタモルファス(NeuMeta)と呼ばれる,自己変形可能なニューラルネットワークの構築を目的とした新たな学習パラダイムを提案する。
NeuMetaはニューラルネットワークの連続重み多様体を直接学習する。
75%の圧縮速度でもフルサイズの性能を維持する。
論文 参考訳（メタデータ） (2024-10-10T14:49:58Z) - Equi-GSPR: Equivariant SE(3) Graph Network Model for Sparse Point Cloud Registration [2.814748676983944]
局所球面ユークリッド3次元等分散特性をSE(3)メッセージパッシングに基づく伝搬により埋め込んだグラフニューラルネットワークモデルを提案する。
我々のモデルは、主に記述モジュール、同変グラフ層、類似性、最終的な回帰層から構成される。
3DMatchおよびKITTIデータセットで行った実験は、最先端のアプローチと比較して、我々のモデルの魅力的で堅牢な性能を示している。
論文 参考訳（メタデータ） (2024-10-08T06:48:01Z) - MeshXL: Neural Coordinate Field for Generative 3D Foundation Models [51.1972329762843]
本稿では,現代の大規模言語モデルを用いた3次元メッシュ生成のプロセスに対処する,事前学習型自己回帰モデルの生成ファミリを提案する。
MeshXLは高品質な3Dメッシュを生成することができ、さまざまなダウンストリームアプリケーションの基盤モデルとしても機能する。
論文 参考訳（メタデータ） (2024-05-31T14:35:35Z) - E(3)-Equivariant Mesh Neural Networks [16.158762988735322]
三角形メッシュは3次元オブジェクトを表現するために広く使われている。
近年の多くの研究は、3Dメッシュ上での幾何学的深層学習の必要性に対処している。
E(n)-同変グラフニューラルネットワーク(EGNN)の方程式を拡張し、メッシュフェイス情報を組み込む。
結果として得られるアーキテクチャであるEMNN(Equivariant Mesh Neural Network)は、メッシュタスクにおいて、他のより複雑な同変手法よりも優れている。
論文 参考訳（メタデータ） (2024-02-07T13:21:41Z) - Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural
Networks [8.736819316856748]
本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。
曲面分類のための2つの最先端モデルであるPointNet++とPointMLPより優れた3次元分割アルゴリズムを提案する。
また,3次元メッシュ分割モデルからCAD表面への射影予測を共形予測法を用いて提案する手法を提案する。
論文 参考訳（メタデータ） (2023-08-14T14:39:13Z) - Semi-Supervised Adversarial Recognition of Refined Window Structures for
Inverse Procedural Fa\c{c}ade Modeling [17.62526990262815]
本稿では,逆手続きモデルに組み込んだ半教師付き対角認識戦略を提案する。
既存の3Dモデリングソフトウェアの内部に、単純なプロシージャエンジンが構築され、きめ細かい窓のジオメトリが生成される。
公開されているファサード画像データセットを用いた実験により、提案したトレーニング戦略により、分類精度が約10%向上できることが判明した。
論文 参考訳（メタデータ） (2022-01-22T06:34:48Z) - A Convolutional Neural Network Approach to the Classification of
Engineering Models [0.9558392439655015]
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。
論文 参考訳（メタデータ） (2021-07-14T04:33:50Z) - Shape My Face: Registering 3D Face Scans by Surface-to-Surface
Translation [75.59415852802958]
Shape-My-Face (SMF) は、改良されたポイントクラウドエンコーダ、新しい視覚的注意機構、スキップ接続付きグラフ畳み込みデコーダ、特殊口モデルに基づく強力なエンコーダデコーダアーキテクチャである。
私たちのモデルは、トポロジカルにサウンドメッシュを最小限の監視で提供し、より高速なトレーニング時間を提供し、訓練可能なパラメータを桁違いに減らし、ノイズに強く、以前は見られないデータセットに一般化することができます。
論文 参考訳（メタデータ） (2020-12-16T20:02:36Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Efficient Robustness Certificates for Discrete Data: Sparsity-Aware
Randomized Smoothing for Graphs, Images and More [85.52940587312256]
本稿では,初期作業を想定したランダム化平滑化フレームワークに基づくモデル非依存の証明書を提案する。
このアプローチがさまざまなモデル、データセット、タスクに対して有効であることを示します。
論文 参考訳（メタデータ） (2020-08-29T10:09:02Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳（メタデータ） (2020-07-30T18:23:18Z)
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。