論文の概要: Automatic Detection and Classification of Symbols in Engineering Drawings

• arxiv url: http://arxiv.org/abs/2204.13277v1
• Date: Thu, 28 Apr 2022 04:14:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-29 13:55:44.589669
• Title: Automatic Detection and Classification of Symbols in Engineering Drawings
• Title（参考訳）: エンジニアリング図面における記号の自動検出と分類
• Authors: Sourish Sarkar, Pranav Pandey, Sibsambhu Kar
• Abstract要約: この方法は、伝説のテーブルに存在するオブジェクトを自動的に見つけ、それらの位置、数え、関連する情報を見つける。 このメソッドは、新しいテンプレートを表現するのに役立つ機能セットを学ぶために、いくつかの図面やデザインテンプレートで事前訓練されている。 提案手法は, 設計バリデーション, オブジェクト数, コンポーネントの接続性など, 複数の産業アプリケーションで有用である。
• 参考スコア（独自算出の注目度）: 3.1351527202068445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A method of finding and classifying various components and objects in a design diagram, drawing, or planning layout is proposed. The method automatically finds the objects present in a legend table and finds their position, count and related information with the help of multiple deep neural networks. The method is pre-trained on several drawings or design templates to learn the feature set that may help in representing the new templates. For a template not seen before, it does not require any training with template dataset. The proposed method may be useful in multiple industry applications such as design validation, object count, connectivity of components, etc. The method is generic and domain independent.
• Abstract（参考訳）: デザインダイアグラムや描画,計画レイアウトなどにおいて,さまざまなコンポーネントやオブジェクトを探索し,分類する手法を提案する。 この方法は、レジェンドテーブルに存在するオブジェクトを自動的に見つけ、複数のディープニューラルネットワークの助けを借りて、その位置、カウント、関連する情報を見つける。 このメソッドは、いくつかの描画や設計テンプレートで事前トレーニングされ、新しいテンプレートを表現するのに役立つ機能セットを学ぶ。 これまで見たことのないテンプレートでは、テンプレートデータセットのトレーニングは必要ない。 提案手法は, 設計検証, オブジェクト数, コンポーネントの接続性など, 複数の産業アプリケーションで有用である。 メソッドはジェネリックでドメインに依存しない。

関連論文リスト

• Learning to Count without Annotations [23.506936202158013]
  我々は、手動のアノテーションを必要とせずに、このタスクを学習できるモデルUnCounTRを提案する。 任意の種類のオブジェクトと数をカバーするリッチな学習信号を提供する訓練用サンプルとして,様々なペーストされたオブジェクトを用いた「自己相関」画像を構築した。 提案手法は既存の教師なし表現とセグメンテーション技術に基づいて,手動の監督なしに参照ベースのカウント機能を示す。
  論文  参考訳（メタデータ） (2023-07-17T17:48:06Z)
• A Generalist Framework for Panoptic Segmentation of Images and Videos [61.61453194912186]
  我々は,タスクの帰納バイアスに頼ることなく,離散的なデータ生成問題としてパノプティクスセグメンテーションを定式化する。 単純な構造と一般的な損失関数を持つパノスコープマスクをモデル化するための拡散モデルを提案する。 本手法は,動画を(ストリーミング環境で)モデル化し,オブジェクトのインスタンスを自動的に追跡することを学ぶ。
  論文  参考訳（メタデータ） (2022-10-12T16:18:25Z)
• Synthetic Document Generator for Annotation-free Layout Recognition [15.657295650492948]
  本稿では,空間的位置,範囲,レイアウト要素のカテゴリを示すラベル付きリアル文書を自動生成する合成文書生成装置について述べる。 合成文書上で純粋に訓練された深層レイアウト検出モデルが,実文書を用いたモデルの性能と一致することを実証的に示す。
  論文  参考訳（メタデータ） (2021-11-11T01:58:44Z)
• Rectifying the Shortcut Learning of Background: Shared Object Concentration for Few-Shot Image Recognition [101.59989523028264]
  Few-Shot画像分類は、大規模なデータセットから学んだ事前学習された知識を利用して、一連の下流分類タスクに取り組むことを目的としている。 本研究では,Few-Shot LearningフレームワークであるCOSOCを提案する。
  論文  参考訳（メタデータ） (2021-07-16T07:46:41Z)
• Geometric Deep Learning on Anatomical Meshes for the Prediction of Alzheimer's Disease [4.812718493682454]
  メッシュ表現を操作する4つの最近の幾何学的深層学習手法を評価する。 我々は,海馬のメッシュに基づいて,アルツハイマー病の予測のための異なるネットワークを比較した。
  論文  参考訳（メタデータ） (2021-04-20T15:17:13Z)
• Few-shot Sequence Learning with Transformers [79.87875859408955]
  少数のトレーニング例で提供される新しいタスクの学習を目的とした少数のショットアルゴリズム。 本研究では,データポイントがトークンのシーケンスである設定において,少数ショット学習を行う。 トランスフォーマーに基づく効率的な学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-17T12:30:38Z)
• Part-aware Prototype Network for Few-shot Semantic Segmentation [50.581647306020095]
  本稿では,プロトタイプ表現に基づく新規な数ショットセマンティックセマンティックセマンティクスフレームワークを提案する。 私たちのキーとなるアイデアは、全体論的なクラス表現を、部分認識型プロトタイプのセットに分解することです。 提案する部分認識型プロトタイプを生成・拡張する新しいグラフニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2020-07-13T11:03:09Z)
• Structured (De)composable Representations Trained with Neural Networks [21.198279941828112]
  テンプレート表現は、クラス全体の特性をキャプチャするジェネリック表現を指す。 提案手法は、エンドツーエンドのディープラーニングを用いて、入力画像と離散ラベルから構造化および構成可能な表現を学習する。 表現には明確な構造があることを証明し、表現をクラスや環境を表す因子に分解する。
  論文  参考訳（メタデータ） (2020-07-07T10:20:31Z)
• A Few-Shot Sequential Approach for Object Counting [63.82757025821265]
  画像中のオブジェクトに逐次出席するクラスアテンション機構を導入し,それらの特徴を抽出する。 提案手法は点レベルのアノテーションに基づいて訓練され,モデルのクラス依存的・クラス依存的側面を乱す新しい損失関数を用いる。 本稿では,FSODやMS COCOなど,さまざまなオブジェクトカウント/検出データセットについて報告する。
  論文  参考訳（メタデータ） (2020-07-03T18:23:39Z)
• Selecting Relevant Features from a Multi-domain Representation for Few-shot Classification [91.67977602992657]
  本稿では,従来の特徴適応手法よりもシンプルかつ効果的である特徴選択に基づく新しい戦略を提案する。 このような特徴の上に構築された単純な非パラメトリック分類器は高い精度を示し、訓練中に見たことのない領域に一般化する。
  論文  参考訳（メタデータ） (2020-03-20T15:44:17Z)

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。