論文の概要: From Density to Geometry: YOLOv8 Instance Segmentation for Reverse Engineering of Optimized Structures

• arxiv url: http://arxiv.org/abs/2404.18763v1
• Date: Mon, 29 Apr 2024 15:01:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-30 13:18:30.922424
• Title: From Density to Geometry: YOLOv8 Instance Segmentation for Reverse Engineering of Optimized Structures
• Title（参考訳）: 密度から幾何学へ:最適化構造のリバースエンジニアリングのためのYOLOv8インスタンスセグメンテーション
• Authors: Thomas Rochefort-Beaudoin, Aurelian Vadean, Sofiane Achiche, Niels Aage,
• Abstract要約: 本稿では、トポロジ最適化構造を解釈可能な幾何パラメータに逆エンジニアリングする新しい手法であるYOLOv8-TOを紹介する。 YOLOv8-TOはカスタムのYOLOv8モデルをトレーニングして、バイナリ密度分布から構造コンポーネントを自動的に検出し、再構築することで、これらの課題に対処する。 その結果, YOLOv8-TOは視覚的, 構造的に類似した設計の再構築において, 骨格化を著しく上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 0.7874708385247352
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces YOLOv8-TO, a novel approach for reverse engineering of topology-optimized structures into interpretable geometric parameters using the YOLOv8 instance segmentation model. Density-based topology optimization methods require post-processing to convert the optimal density distribution into a parametric representation for design exploration and integration with CAD tools. Traditional methods such as skeletonization struggle with complex geometries and require manual intervention. YOLOv8-TO addresses these challenges by training a custom YOLOv8 model to automatically detect and reconstruct structural components from binary density distributions. The model is trained on a diverse dataset of both optimized and random structures generated using the Moving Morphable Components method. A custom reconstruction loss function based on the dice coefficient of the predicted geometry is used to train the new regression head of the model via self-supervised learning. The method is evaluated on test sets generated from different topology optimization methods, including out-of-distribution samples, and compared against a skeletonization approach. Results show that YOLOv8-TO significantly outperforms skeletonization in reconstructing visually and structurally similar designs. The method showcases an average improvement of 13.84% in the Dice coefficient, with peak enhancements reaching 20.78%. The method demonstrates good generalization to complex geometries and fast inference times, making it suitable for integration into design workflows using regular workstations. Limitations include the sensitivity to non-max suppression thresholds. YOLOv8-TO represents a significant advancement in topology optimization post-processing, enabling efficient and accurate reverse engineering of optimized structures for design exploration and manufacturing.
• Abstract（参考訳）: 本稿では, YOLOv8インスタンス分割モデルを用いて, トポロジ最適化構造を解釈可能な幾何パラメータにリバースエンジニアリングする手法であるYOLOv8-TOを紹介する。 密度に基づくトポロジ最適化手法は, 最適密度分布をCADツールと設計・統合するためのパラメトリック表現に変換するために, 後処理を必要とする。 骨格化のような伝統的な手法は複雑な地形に悩まされ、手動で介入する必要がある。 YOLOv8-TOはカスタムのYOLOv8モデルをトレーニングして、バイナリ密度分布から構造コンポーネントを自動的に検出し、再構築することで、これらの課題に対処する。 このモデルは、移動可能なコンポーネント法を用いて、最適化された構造とランダムな構造の多様なデータセットに基づいて訓練される。 予測幾何のダイス係数に基づくカスタム再構成損失関数を用いて、自己教師付き学習を通してモデルの新たな回帰ヘッドを訓練する。 本手法は, 分布外サンプルを含む様々なトポロジー最適化法から生成されたテストセットを用いて評価し, スケルトン化法との比較を行った。 その結果, YOLOv8-TOは視覚的, 構造的に類似した設計の再構築において, 骨格化を著しく上回っていることがわかった。 この方法はディース係数の平均13.84%の改善を示し、ピークは20.78%に達した。 この手法は複雑なジオメトリと高速な推論時間に優れた一般化を示し、通常のワークステーションを用いた設計ワークフローへの統合に適している。 制限には、非マックス抑制閾値に対する感度が含まれる。 YOLOv8-TOは、トポロジー最適化後処理の大幅な進歩を示し、設計の探索と製造のために最適化された構造物の効率的かつ正確なリバースエンジニアリングを可能にする。

関連論文リスト

• Efficient Inverse Design Optimization through Multi-fidelity Simulations, Machine Learning, and Search Space Reduction Strategies [0.8646443773218541]
  本稿では,限られた計算量で制約されたシナリオにおける逆設計最適化プロセスの拡張を目的とした手法を提案する。 提案手法はエアフォイル逆設計とスカラーフィールド再構成の2つの異なる工学的逆設計問題について解析する。 特に、この方法は、任意の逆設計アプリケーションに適用可能であり、代表的低忠実MLモデルと高忠実度シミュレーションの相乗効果を容易にし、様々な集団ベース最適化アルゴリズムにシームレスに適用することができる。
  論文  参考訳（メタデータ） (2023-12-06T18:20:46Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning [60.69217130006758]
  空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-05-03T13:45:40Z)
• Scaling Pre-trained Language Models to Deeper via Parameter-efficient Architecture [68.13678918660872]
  行列積演算子(MPO)に基づくより有能なパラメータ共有アーキテクチャを設計する。 MPO分解はパラメータ行列の情報を再編成し、2つの部分に分解することができる。 私たちのアーキテクチャは、モデルのサイズを減らすために、すべてのレイヤで中央テンソルを共有しています。
  論文  参考訳（メタデータ） (2023-03-27T02:34:09Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Early-Phase Performance-Driven Design using Generative Models [0.0]
  本研究では,3次元モデリング環境において直接対話を行うことのできる,性能駆動型幾何生成手法を提案する。 この方法は機械学習技術を使って生成モデルをオフラインでトレーニングする。 生成モデルの潜在空間をナビゲートすることにより、所望の特性を持つ測地を迅速に生成することができる。
  論文  参考訳（メタデータ） (2021-07-19T01:25:11Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)
• Physics-consistent deep learning for structural topology optimization [8.391633158275692]
  トポロジ最適化は、コンポーネントの設計を洗練し、パフォーマンスを向上するための一般的なアプローチとして現れています。 現在の最新のトポロジ最適化フレームワークは計算集約的です。 本稿では,高分解能の3次元測地におけるトポロジ最適化のための深層学習に基づくフレームワークについて検討する。
  論文  参考訳（メタデータ） (2020-12-09T23:05:55Z)
• DessiLBI: Exploring Structural Sparsity of Deep Networks via Differential Inclusion Paths [45.947140164621096]
  逆スケール空間の差分包摂に基づく新しい手法を提案する。 DessiLBIが早期に「優勝チケット」を発表することを示す。
  論文  参考訳（メタデータ） (2020-07-04T04:40:16Z)
• Hierarchical regularization networks for sparsification based learning on noisy datasets [0.0]
  階層は、連続的により微細なスケールで特定される近似空間から従う。 各スケールでのモデル一般化を促進するため,複数次元にわたる新規な射影型ペナルティ演算子も導入する。 その結果、合成データセットと実データセットの両方において、データ削減およびモデリング戦略としてのアプローチの性能が示された。
  論文  参考訳（メタデータ） (2020-06-09T18:32:24Z)

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。