論文の概要: CAD 3D Model classification by Graph Neural Networks: A new approach
based on STEP format
- arxiv url: http://arxiv.org/abs/2210.16815v1
- Date: Sun, 30 Oct 2022 11:27:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 17:34:09.552428
- Title: CAD 3D Model classification by Graph Neural Networks: A new approach
based on STEP format
- Title（参考訳）: グラフニューラルネットワークによるCAD 3Dモデル分類:STEPフォーマットに基づく新しいアプローチ
- Authors: L. Mandelli, S. Berretti
- Abstract要約: コンピュータ支援設計(CAD)フォーマットで直接動作する3Dモデルの検索と分類のための新しいアプローチを提案する。
各種CADフォーマットの中で,製品製造情報の標準となるSTEP拡張について検討する。
我々はSTEPファイルの連結構造を利用して、ノードがプリミティブ要素であり、弧がそれらの間の接続であるグラフを作成する。
- 参考スコア（独自算出の注目度）: 2.225882303328135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we introduce a new approach for retrieval and classification
of 3D models that directly performs in the Computer-Aided Design (CAD) format
without any conversion to other representations like point clouds or meshes,
thus avoiding any loss of information. Among the various CAD formats, we
consider the widely used STEP extension, which represents a standard for
product manufacturing information. This particular format represents a 3D model
as a set of primitive elements such as surfaces and vertices linked together.
In our approach, we exploit the linked structure of STEP files to create a
graph in which the nodes are the primitive elements and the arcs are the
connections between them. We then use Graph Neural Networks (GNNs) to solve the
problem of model classification. Finally, we created two datasets of 3D models
in native CAD format, respectively, by collecting data from the Traceparts
model library and from the Configurators software modeling company. We used
these datasets to test and compare our approach with respect to
state-of-the-art methods that consider other 3D formats. Our code is available
at https://github.com/divanoLetto/3D_STEP_Classification
- Abstract（参考訳）: 本稿では,cad(computer-aided design)形式で,ポイントクラウドやメッシュなど他の表現に変換することなく直接実行される3dモデルの検索と分類を行う新しい手法を提案する。
様々なcadフォーマットのうち,製品製造情報の標準として広く用いられているステップ拡張を考察する。
この形式は3Dモデルを表面や頂点などの原始的な要素の集合として表現する。
提案手法では,STEPファイルの連結構造を利用して,ノードが原始的要素であり,弧がそれらの間の接続であるグラフを生成する。
次に、モデル分類の問題を解決するためにグラフニューラルネットワーク(GNN)を用いる。
最後に、TracepartsモデルライブラリとConfiguratorsソフトウェアモデリング会社からのデータを収集し、ネイティブCAD形式で2つの3Dモデルのデータセットを作成しました。
これらのデータセットを使用して、私たちのアプローチを、他の3dフォーマットを考慮した最先端のメソッドと比較しました。
私たちのコードはhttps://github.com/divanoLetto/3D_STEP_Classificationで利用可能です。
関連論文リスト
- Img2CAD: Conditioned 3D CAD Model Generation from Single Image with Structured Visual Geometry [12.265852643914439]
編集可能なパラメータを生成するために2次元画像入力を用いた最初の知識であるImg2CADを提案する。
Img2CADはAI 3D再構成とCAD表現のシームレスな統合を可能にする。
論文 参考訳（メタデータ） (2024-10-04T13:27:52Z) - DIRECT-3D: Learning Direct Text-to-3D Generation on Massive Noisy 3D Data [50.164670363633704]
テキストプロンプトから高品質な3Dアセットを作成するための拡散型3D生成モデルであるDIRECT-3Dを提案する。
我々のモデルは、広範に騒々しく不整合な3D資産で直接訓練されている。
単一クラス生成とテキスト・ツー・3D生成の両方で最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-06-06T17:58:15Z) - Model2Scene: Learning 3D Scene Representation via Contrastive
Language-CAD Models Pre-training [105.3421541518582]
現在成功している3次元シーン認識法は、大規模アノテートされた点雲に依存している。
CAD(Computer-Aided Design)モデルと言語から自由な3Dシーン表現を学習する新しいパラダイムであるModel2Sceneを提案する。
Model2Sceneは、平均mAPが46.08%、ScanNetとS3DISのデータセットが55.49%という、ラベルなしの優れた3Dオブジェクトのサリエント検出をもたらす。
論文 参考訳（メタデータ） (2023-09-29T03:51:26Z) - FullFormer: Generating Shapes Inside Shapes [9.195909458772187]
本稿では,複雑な3次元形状を内部幾何学的詳細で生成するための最初の暗黙的生成モデルを提案する。
我々のモデルは、非水密メッシュデータから学習できるネストした3次元表面を表現するために符号のない距離場を使用する。
本研究では,ShapeNetデータセットの"Cars","Planes","Chairs"といった一般的なクラス上で,最先端のクラウド生成結果が得られたことを実証する。
論文 参考訳（メタデータ） (2023-03-20T16:19:23Z) - 3DStyleNet: Creating 3D Shapes with Geometric and Texture Style
Variations [81.45521258652734]
本稿では,3次元オブジェクトの幾何学的・テクスチャ的バリエーションを多用する手法を提案する。
提案手法は,多くの新しいスタイルの形状を作成でき,その結果,無駄な3Dコンテンツ作成とスタイルウェアデータ拡張を実現している。
論文 参考訳（メタデータ） (2021-08-30T02:28:31Z) - 'CADSketchNet' -- An Annotated Sketch dataset for 3D CAD Model Retrieval
with Deep Neural Networks [0.8155575318208631]
本稿では,ディープラーニングに基づく3次元CADモデルの検索システム構築に適したデータセットの開発を目的とする。
また,スケッチ画像を入力クエリとして受信する3次元CADモデルの検索システムや検索エンジンの性能を評価することを目的とする。
論文 参考訳（メタデータ） (2021-07-13T16:10:16Z) - Joint Deep Multi-Graph Matching and 3D Geometry Learning from
Inhomogeneous 2D Image Collections [57.60094385551773]
非均質な画像コレクションから変形可能な3Dジオメトリモデルを学ぶためのトレーニング可能なフレームワークを提案する。
さらに,2次元画像で表現された物体の3次元形状も取得する。
論文 参考訳（メタデータ） (2021-03-31T17:25:36Z) - A Convolutional Architecture for 3D Model Embedding [1.3858051019755282]
入力として3Dモデルを扱うディープラーニングアーキテクチャを提案する。
埋め込み表現は3Dオブジェクトの類似性評価を扱うのに役立つセマンティック情報を伝えることを示した。
論文 参考訳（メタデータ） (2021-03-05T15:46:47Z) - PvDeConv: Point-Voxel Deconvolution for Autoencoding CAD Construction in
3D [23.87757211847093]
コンピュータ支援設計(cad)モデルの基盤となる形状を密に記述した10k点の高分解能点雲を合成することを学ぶ。
50k以上のCADモデルとその対応する3Dメッシュを含む新しい専用データセット、CC3Dを紹介します。
このデータセットは、3Dスキャン(CADモデル)のペアからサンプリングされた点雲の畳み込みオートエンコーダを学ぶために使用される。
論文 参考訳（メタデータ） (2021-01-12T14:14:13Z) - Canonical 3D Deformer Maps: Unifying parametric and non-parametric
methods for dense weakly-supervised category reconstruction [79.98689027127855]
独立オブジェクトの2次元画像の集合から学習できる共通オブジェクトカテゴリの3次元形状の表現を提案する。
提案手法は, パラメトリック変形モデル, 非パラメトリック3次元再構成, 標準埋め込みの概念に基づく新しい手法で構築する。
顔、車、鳥の野生のデータセットを3Dで再現することで、最先端の成果が得られます。
論文 参考訳（メタデータ） (2020-08-28T15:44:05Z) - 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。