論文の概要: Visual Deformation Detection Using Soft Material Simulation for Pre-training of Condition Assessment Models

• arxiv url: http://arxiv.org/abs/2405.14877v1
• Date: Tue, 2 Apr 2024 01:58:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 08:29:41.507692
• Title: Visual Deformation Detection Using Soft Material Simulation for Pre-training of Condition Assessment Models
• Title（参考訳）: ソフトマテリアルシミュレーションによる条件評価モデルの事前学習のための視覚的変形検出
• Authors: Joel Sol, Amir M. Soufi Enayati, Homayoun Najjaran,
• Abstract要約: オープンソースのシミュレーションツールであるBlenderを使用して、機械学習(ML)モデルのための合成データセットを作成することを提案する。 このプロセスでは、専門家情報を形状キーパラメータに翻訳して変形をシミュレートし、変形したオブジェクトと非変形したオブジェクトの両方のイメージを生成する。
• 参考スコア（独自算出の注目度）: 3.0477617036157136
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper addresses the challenge of geometric quality assurance in manufacturing, particularly when human assessment is required. It proposes using Blender, an open-source simulation tool, to create synthetic datasets for machine learning (ML) models. The process involves translating expert information into shape key parameters to simulate deformations, generating images for both deformed and non-deformed objects. The study explores the impact of discrepancies between real and simulated environments on ML model performance and investigates the effect of different simulation backgrounds on model sensitivity. Additionally, the study aims to enhance the model's robustness to camera positioning by generating datasets with a variety of randomized viewpoints. The entire process, from data synthesis to model training and testing, is implemented using a Python API interfacing with Blender. An experiment with a soda can object validates the accuracy of the proposed pipeline.
• Abstract（参考訳）: 本稿では,製造における幾何学的品質保証の課題,特に人的評価が必要な場合について論じる。 オープンソースのシミュレーションツールであるBlenderを使用して、機械学習(ML)モデルのための合成データセットを作成することを提案する。 このプロセスでは、専門家情報を形状キーパラメータに翻訳して変形をシミュレートし、変形したオブジェクトと非変形したオブジェクトの両方のイメージを生成する。 本研究は,実環境と模擬環境の相違がMLモデルの性能に及ぼす影響について検討し,異なるシミュレーション背景がモデル感度に与える影響について検討した。 さらに,様々なランダムな視点のデータセットを生成することにより,カメラ位置決めに対するモデルの堅牢性を高めることを目的とした。 データ合成からモデルトレーニング、テストに至るまで、プロセス全体は、Blenderと対面するPython APIを使用して実装されている。 ソーダ缶オブジェクトによる実験は、提案したパイプラインの精度を検証する。

関連論文リスト

• Bayesian Adaptive Calibration and Optimal Design [16.821341360894706]
  現在の機械学習アプローチは、主に観測データで利用可能な固定された設計セットに対する再実行シミュレーションに依存している。 本稿では,バッチシーケンスプロセス内で最大情報化シミュレーションを実行するためのデータ効率アルゴリズムを提案する。 合成問題と実データ問題にまたがる関連手法と比較して,本手法の利点を示す。
  論文  参考訳（メタデータ） (2024-05-23T11:14:35Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Predicting Loose-Fitting Garment Deformations Using Bone-Driven Motion Networks [63.596602299263935]
  本稿では,骨駆動型モーションネットワークを用いて,ゆるやかな衣服メッシュの変形を対話的に予測する学習アルゴリズムを提案する。 提案手法は,メッシュ変形の予測精度を約20%,ハウスドルフ距離とSTEDで約10%向上させる。
  論文  参考訳（メタデータ） (2022-05-03T07:54:39Z)
• DiffCloud: Real-to-Sim from Point Clouds with Differentiable Simulation and Rendering of Deformable Objects [18.266002992029716]
  変形可能な物体の操作に関する研究は、典型的には限られたシナリオで行われている。 様々な種類の変形と相互作用をサポートする現実的なシミュレータは、実験をスピードアップする可能性がある。 高度に変形可能なオブジェクトに対しては、シミュレータの出力と実際のオブジェクトの振る舞いを一致させることが困難である。
  論文  参考訳（メタデータ） (2022-04-07T00:45:26Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Learning to discover: expressive Gaussian mixture models for multi-dimensional simulation and parameter inference in the physical sciences [0.0]
  複数の観測可能量を記述する密度モデルは, 自己回帰型ガウス混合モデルを用いて生成できることを示す。 このモデルは、観測可能なスペクトルが仮説の変化によってどのように変形するかを捉えるように設計されている。 実験観測の解釈における科学的発見の統計モデルとして用いられることもある。
  論文  参考訳（メタデータ） (2021-08-25T21:27:29Z)
• Cognitive simulation models for inertial confinement fusion: Combining simulation and experimental data [0.0]
  研究者は、高性能な爆発を求めて設計空間を探索するためにコンピュータシミュレーションに大きく依存しています。 より効果的な設計と調査のために、シミュレーションは過去の実験データからの入力を必要とする。 本稿では,シミュレーションと実験データを共通の予測モデルに組み合わせた認知シミュレーション手法について述べる。
  論文  参考訳（メタデータ） (2021-03-19T02:00:14Z)
• Gaussian Function On Response Surface Estimation [12.35564140065216]
  メタモデリング手法によるブラックボックス機械学習モデルの解釈(機能とサンプル)のための新しいフレームワークを提案する。 メタモデルは、興味のある領域のデータサンプルでコンピュータ実験を実行することによって、訓練された複雑なモデルによって生成されたデータから推定することができる。
  論文  参考訳（メタデータ） (2021-01-04T04:47:00Z)
• Meta-Sim2: Unsupervised Learning of Scene Structure for Synthetic Data Generation [88.04759848307687]
  Meta-Sim2では,パラメータに加えてシーン構造を学習することを目指している。 強化学習(Reinforcement Learning)を使用してモデルをトレーニングし、トレーニング成功の鍵となる合成画像とターゲット画像の間に特徴空間のばらつきを設計する。 また,この手法は,他のベースラインシミュレーション手法と対照的に,生成したデータセット上でトレーニングしたオブジェクト検出器の性能を下流で向上させることを示す。
  論文  参考訳（メタデータ） (2020-08-20T17:28:45Z)
• Learning Predictive Representations for Deformable Objects Using Contrastive Estimation [83.16948429592621]
  視覚表現モデルと動的モデルの両方を協調的に最適化する新しい学習フレームワークを提案する。 我々は,標準モデルに基づく学習手法をロープや布の操作スイートで大幅に改善した。
  論文  参考訳（メタデータ） (2020-03-11T17:55:15Z)

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。