論文の概要: Meshless method stencil evaluation with machine learning
- arxiv url: http://arxiv.org/abs/2204.12940v1
- Date: Mon, 25 Apr 2022 14:27:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 06:21:18.064523
- Title: Meshless method stencil evaluation with machine learning
- Title（参考訳）: 機械学習によるメッシュレスステンシル評価
- Authors: Miha Rot, Aleksandra Rashkovska
- Abstract要約: 本稿では,ラベル付きステンシルデータセットの生成手順を説明し,ポイントネットの変動を利用してステンシルの品質を分類する手法を提案する。
このモデルは、曲線(AUC)の約0.90の範囲で、最高のステンシルと最悪のステンシルを検出するのに特に適している。
- 参考スコア（独自算出の注目度）: 78.6363825307044
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Meshless methods are an active and modern branch of numerical analysis with
many intriguing benefits. One of the main open research questions related to
local meshless methods is how to select the best possible stencil - a
collection of neighbouring nodes - to base the calculation on. In this paper,
we describe the procedure for generating a labelled stencil dataset and use a
variation of pointNet - a deep learning network based on point clouds - to
create a classifier for the quality of the stencil. We exploit features of
pointNet to implement a model that can be used to classify differently sized
stencils and compare it against models dedicated to a single stencil size. The
model is particularly good at detecting the best and the worst stencils with a
respectable area under the curve (AUC) metric of around 0.90. There is much
potential for further improvement and direct application in the meshless
domain.
- Abstract（参考訳）: メッシュレス法は、多くの興味深い利点を持つ数値解析の活発で現代的な分野である。
ローカルなメッシュレスメソッドに関連する主要なオープンな研究の1つは、計算の基盤となる最適なステンシル(近隣ノードのコレクション)を選択する方法である。
本稿では,ラベル付きステンシルデータセットの生成手順を説明し,ポイントクラウドに基づく深層学習ネットワークであるpointNet の変動を利用して,ステンシルの品質を分類する手法を提案する。
我々はpointnetの機能を利用して、異なるサイズのステンシルを分類し、単一のステンシルサイズに特化したモデルと比較できるモデルを実装した。
このモデルは、曲線(AUC)の約0.90の範囲で、最高のステンシルと最悪のステンシルを検出するのに特に適している。
メッシュレスドメインでは、さらなる改善と直接的なアプリケーションの可能性が大きい。
関連論文リスト
- SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。
私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。
アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
論文 参考訳（メタデータ） (2024-09-30T17:59:03Z) - Beyond Simple Meta-Learning: Multi-Purpose Models for Multi-Domain,
Active and Continual Few-Shot Learning [41.07029317930986]
低ラベル方式で動作するモデルの分散感応クラスを提案する。
最初の手法であるSimple CNAPSは階層的に正規化されたマハラノビス距離に基づく分類器を用いる。
我々はさらに、このアプローチをトランスダクティブ学習環境に拡張し、トランスダクティブCNAPSを提案する。
論文 参考訳（メタデータ） (2022-01-13T18:59:02Z) - UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。
学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2021-08-05T17:11:08Z) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳（メタデータ） (2021-07-06T05:08:34Z) - Descriptive Modeling of Textiles using FE Simulations and Deep Learning [0.0]
織物の糸の幾何学的特徴を抽出する新しい完全自動化手法を提案する。
提案手法は、2つのディープニューラルネットワークアーキテクチャ(U-NetとMask RCNN)を用いる。
実験の結果,CT画像上で糸のインスタンスセグメンテーションを行う上で,本手法は正確かつ堅牢であることがわかった。
論文 参考訳（メタデータ） (2021-06-26T09:32:24Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-25T14:00:18Z) - PointManifold: Using Manifold Learning for Point Cloud Classification [5.705680763604835]
本稿では,グラフニューラルネットワークと多様体学習に基づく点雲分類手法を提案する。
本稿では,平面上の連続性を考慮し,点雲の特徴を埋め込むために,多様体学習アルゴリズムを用いる。
実験により、提案した点雲分類法は90.2%の平均クラス精度(mA)と93.2%の総合クラス精度(oA)が得られることが示された。
論文 参考訳（メタデータ） (2020-10-14T16:28:19Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z) - Finding the Optimal Network Depth in Classification Tasks [10.248235276871258]
複数の分類器ヘッドを用いた軽量ニューラルネットワークの高速エンドツーエンド学習法を開発した。
モデルが各ヘッドの重要性を決定することによって、ネットワークの不要なコンポーネントを検出し、取り除くことができる。
論文 参考訳（メタデータ） (2020-04-17T11:08:45Z)
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。