Fugu-MT 論文翻訳(概要): Classification of Computer Aided Engineering (CAE) Parts Using Graph Convolutional Networks

論文の概要: Classification of Computer Aided Engineering (CAE) Parts Using Graph Convolutional Networks

arxiv url: http://arxiv.org/abs/2202.11289v1
Date: Wed, 23 Feb 2022 03:38:10 GMT
ステータス: 処理完了
システム内更新日: 2022-02-24 15:47:38.491571
Title: Classification of Computer Aided Engineering (CAE) Parts Using Graph Convolutional Networks
Title（参考訳）: グラフ畳み込みネットワークを用いたコンピュータ支援工学(CAE)部品の分類
Authors: Alok Warey and Rajan Chakravarty
Abstract要約: グラフ畳み込みネットワーク (GCN) はCAE部品分類器の開発に使われた。トレーニングデータとして、代表体モデルとは異なる866個の部品が使用された。訓練されたGCNモデルは、テストセット上で88.5%の分類精度を達成することができた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: CAE engineers work with hundreds of parts spread across multiple body models. A Graph Convolutional Network (GCN) was used to develop a CAE parts classifier. As many as 866 distinct parts from a representative body model were used as training data. The parts were represented as a three-dimensional (3-D) Finite Element Analysis (FEA) mesh with values of each node in the x, y, z coordinate system. The GCN based classifier was compared to fully connected neural network and PointNet based models. Performance of the trained models was evaluated with a test set that included parts from the training data, but with additional holes, rotation, translation, mesh refinement/coarsening, variation of mesh schema, mirroring along x and y axes, variation of topographical features, and change in mesh node ordering. The trained GCN model was able to achieve 88.5% classification accuracy on the test set i.e., it was able to find the correct matching part from the dataset of 866 parts despite significant variation from the baseline part. A CAE parts classifier demonstrated in this study could be very useful for engineers to filter through CAE parts spread across several body models to find parts that meet their requirements.
Abstract（参考訳）: CAEエンジニアは、複数のボディモデルにまたがる数百のパーツで作業する。グラフ畳み込みネットワーク(GCN)はCAE部品分類器の開発に使用された。トレーニングデータとして、代表体モデルから866個の異なる部品が使用された。これらの部分は、x, y, z座標系の各ノードの値を持つ3次元有限要素解析(FEA)メッシュとして表現された。 GCNベースの分類器は、完全に接続されたニューラルネットワークとPointNetベースのモデルと比較された。トレーニングモデルの性能は, トレーニングデータの一部を含むテストセットで評価したが, 追加の穴, 回転, 翻訳, メッシュの改良/調整, メッシュスキーマの変動, x, y軸に沿ったミラーリング, 地形特徴の変動, メッシュノード順序の変化などがあった。訓練されたgcnモデルは、試験セットにおいて88.5%の分類精度を達成できた。すなわち、ベースライン部分から有意な変化にもかかわらず、866のデータセットから正しいマッチング部分を見つけることができた。この研究で実証されたCAE部品分類器は、いくつかのボディモデルにまたがるCAE部品をフィルターすることで、要求を満たす部品を見つけるのに非常に有用である。

関連論文リスト

Y-CA-Net: A Convolutional Attention Based Network for Volumetric Medical Image Segmentation [47.12719953712902]
差別的なローカル機能は、注目ベースのVSメソッドのパフォーマンスの鍵となるコンポーネントである。コンボリューションエンコーダ分岐をトランスフォーマーバックボーンに組み込んで,局所的特徴と大域的特徴を並列に抽出する。 Y-CT-Netは、複数の医療セグメンテーションタスクにおいて競合性能を達成する。
論文参考訳（メタデータ） (2024-10-01T18:50:45Z)
ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [104.34751911174196]
ShapeNetとModelNetを用いた大規模3DGSデータセットを構築した。データセットのShapeSplatは、87のユニークなカテゴリから65Kのオブジェクトで構成されています。 textbftextitGaussian-MAEを導入し、ガウスパラメータからの表現学習の独特な利点を強調した。
論文参考訳（メタデータ） (2024-08-20T14:49:14Z)
DAE-Net: Deforming Auto-Encoder for fine-grained shape co-segmentation [22.538892330541582]
本稿では,形状コレクションから変形可能な部分テンプレートの集合を学習する,教師なしの3次元形状協調手法を提案する。ネットワークは,アフィン変換されたテンプレート部品のサブセットによって各形状を構成する。 DAE-Net for Deforming Auto-Encoderとよばれる我々のネットワークは、きめ細かな、コンパクトで、意味のある部分を生み出す、教師なしの3次元形状のコセグメンテーションを実現することができる。
論文参考訳（メタデータ） (2023-11-22T03:26:07Z)
SCVCNet: Sliding cross-vector convolution network for cross-task and inter-individual-set EEG-based cognitive workload recognition [15.537230343119875]
本稿では,脳波パターンを利用した認知作業量認識装置の汎用的手法を提案する。パワースペクトル密度の微細な周波数構造を解析することにより,脳波のタスクおよび個々のセットに関する干渉を除去するSCVCNetというニューラルネットワークを提案する。
論文参考訳（メタデータ） (2023-09-21T13:06:30Z)
Nearest Neighbors Meet Deep Neural Networks for Point Cloud Analysis [14.844183458784235]
我々は,空間近傍適応(SN-Adapter)と呼ばれるパラメータの再設計や余分なパラメータを伴わずに,既存のディープニューラルネットワークを強化する方法を提案する。訓練された3Dネットワーク上に構築された学習符号化機能を利用して,学習データセットの特徴を抽出し,それらを空間知識として要約する。テストポイントクラウドでは、SN-Adapterは、事前構築された空間プロトタイプからk隣人(k-NN)を検索し、k-NN予測を元の3Dネットワークのプロトタイプと線形補間する。
論文参考訳（メタデータ） (2023-03-01T17:57:09Z)
Part-Based Models Improve Adversarial Robustness [57.699029966800644]
人間の事前知識とエンドツーエンドの学習を組み合わせることで、ディープニューラルネットワークの堅牢性を向上させることができることを示す。我々のモデルは、部分分割モデルと小さな分類器を組み合わせて、オブジェクトを同時に部品に分割するようにエンドツーエンドに訓練されている。実験の結果,これらのモデルによりテクスチャバイアスが低減され,一般的な汚職に対する堅牢性が向上し,相関が急上昇することが示唆された。
論文参考訳（メタデータ） (2022-09-15T15:41:47Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
Optimising for Interpretability: Convolutional Dynamic Alignment Networks [108.83345790813445]
我々は、畳み込み動的アライメントネットワーク(CoDA Nets)と呼ばれる新しいニューラルネットワークモデルを紹介する。彼らの中核となるビルディングブロックは動的アライメントユニット(DAU)であり、タスク関連パターンに合わせて動的に計算された重みベクトルで入力を変換するように最適化されている。 CoDAネットは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
論文参考訳（メタデータ） (2021-09-27T12:39:46Z)
Convolutional Dynamic Alignment Networks for Interpretable Classifications [108.83345790813445]
我々は、畳み込み動的アライメントネットワーク(CoDA-Nets)と呼ばれる新しいニューラルネットワークモデルを紹介する。コアとなるビルディングブロックは動的アライメントユニット(DAU)で、入力をタスク関連パターンと動的に整合する重みベクトルで線形に変換する。 CoDA-Netsは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
論文参考訳（メタデータ） (2021-03-31T18:03:53Z)
LPMNet: Latent Part Modification and Generation for 3D Point Clouds [3.04585143845864]
本稿では,意味的部分と大域的形状の両方の生成と修正を処理できる単一エンドツーエンドオートエンコーダモデルを提案する。提案手法は,3次元点雲モデル間の部分交換と異なる部分による合成をサポートし,遅延表現を直接編集して新しいモデルを生成する。
論文参考訳（メタデータ） (2020-08-08T17:24:37Z)
Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
論文参考訳（メタデータ） (2020-05-11T14:07:06Z)

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。