論文の概要: Self-supervised Graph Neural Network for Mechanical CAD Retrieval
- arxiv url: http://arxiv.org/abs/2406.08863v2
- Date: Tue, 18 Jun 2024 03:29:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-19 12:01:13.732037
- Title: Self-supervised Graph Neural Network for Mechanical CAD Retrieval
- Title(参考訳): メカニカルCAD検索のための自己教師付きグラフニューラルネットワーク
- Authors: Yuhan Quan, Huan Zhao, Jinfeng Yi, Yuqiang Chen,
- Abstract要約: GC-CADは、機械的CAD検索のための、自己教師付きコントラストグラフニューラルネットワークに基づく手法である。
提案手法は, 精度を向上し, ベースライン法よりも100倍の効率向上を実現している。
- 参考スコア(独自算出の注目度): 29.321027284348272
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: CAD (Computer-Aided Design) plays a crucial role in mechanical industry, where large numbers of similar-shaped CAD parts are often created. Efficiently reusing these parts is key to reducing design and production costs for enterprises. Retrieval systems are vital for achieving CAD reuse, but the complex shapes of CAD models are difficult to accurately describe using text or keywords, making traditional retrieval methods ineffective. While existing representation learning approaches have been developed for CAD, manually labeling similar samples in these methods is expensive. Additionally, CAD models' unique parameterized data structure presents challenges for applying existing 3D shape representation learning techniques directly. In this work, we propose GC-CAD, a self-supervised contrastive graph neural network-based method for mechanical CAD retrieval that directly models parameterized CAD raw files. GC-CAD consists of two key modules: structure-aware representation learning and contrastive graph learning framework. The method leverages graph neural networks to extract both geometric and topological information from CAD models, generating feature representations. We then introduce a simple yet effective contrastive graph learning framework approach, enabling the model to train without manual labels and generate retrieval-ready representations. Experimental results on four datasets including human evaluation demonstrate that the proposed method achieves significant accuracy improvements and up to 100 times efficiency improvement over the baseline methods.
- Abstract(参考訳): CAD (Computer-Aided Design) は機械産業において重要な役割を担っている。
これらの部品を効果的に再利用することは、企業の設計と生産コストを減らすための鍵となる。
検索システムはCADの再利用に欠かせないが、CADモデルの複雑な形状はテキストやキーワードを正確に記述することは困難であり、従来の検索手法では有効ではない。
CADには既存の表現学習手法が開発されているが,これらの手法に類似したサンプルを手作業でラベル付けすることは高価である。
さらに,CADモデルのユニークなパラメータ化データ構造は,既存の3次元形状表現学習技術を直接適用する上での課題である。
本稿では,パラメータ化されたCAD原ファイルを直接モデル化する機械的CAD検索のための,自己教師付きコントラストグラフニューラルネットワークを用いたGC-CADを提案する。
GC-CADは、構造認識表現学習とコントラストグラフ学習フレームワークの2つの主要なモジュールから構成される。
この手法はグラフニューラルネットワークを利用してCADモデルから幾何学的および位相的情報を抽出し、特徴表現を生成する。
そこで我々は,手動ラベルを使わずにモデルをトレーニングし,検索可能な表現を生成する,シンプルで効果的なグラフ学習フレームワークを提案する。
人体評価を含む4つのデータセットの実験結果から,提案手法の精度は向上し,ベースライン法よりも最大100倍の効率向上が得られた。
関連論文リスト
- Query2CAD: Generating CAD models using natural language queries [6.349503549199403]
本稿では,CAD設計のための新しいフレームワークであるQuery2CADを紹介する。
このフレームワークは大きな言語モデルを使用して実行可能なCADマクロを生成する。
Query2CADは、LLMをジェネレータと精錬器の両方として使用して、教師付きデータや追加のトレーニングなしで動作する。
論文 参考訳(メタデータ) (2024-05-31T19:17:00Z) - PS-CAD: Local Geometry Guidance via Prompting and Selection for CAD Reconstruction [86.726941702182]
再構成ネットワークPS-CADに幾何学的ガイダンスを導入する。
我々は、現在の再構成が点雲としての完備モデルと異なる曲面の幾何学を提供する。
第二に、幾何学的解析を用いて、候補面に対応する平面的プロンプトの集合を抽出する。
論文 参考訳(メタデータ) (2024-05-24T03:43:55Z) - ContrastCAD: Contrastive Learning-based Representation Learning for Computer-Aided Design Models [0.7373617024876725]
本稿では,ContrastCAD という,CAD モデルを学習するための対照的な学習手法を提案する。
コントラストCADはCADモデルの構成シーケンス内の意味情報を効果的にキャプチャする。
また,RRE法(Random Replace and Extrude)と呼ばれる新しいCADデータ拡張手法を提案し,モデルの学習性能を向上させる。
論文 参考訳(メタデータ) (2024-04-02T05:30:39Z) - Geometric Deep Learning for Computer-Aided Design: A Survey [85.79012726689511]
本調査では,コンピュータ支援設計における学習手法の概要について概観する。
類似性解析と検索、2Dおよび3DCADモデル合成、点雲からのCAD生成を含む。
ベンチマークデータセットとその特性の完全なリストと、この領域の研究を推進しているオープンソースコードを提供する。
論文 参考訳(メタデータ) (2024-02-27T17:11:35Z) - Point2CAD: Reverse Engineering CAD Models from 3D Point Clouds [26.10631058349939]
本稿では,分割点雲と構造CADモデルのギャップを埋めるハイブリッド解析ニューラルネットワーク再構成手法を提案する。
また,自由曲面の暗黙的表現を新たに提案し,CAD再構成方式の性能向上を図る。
論文 参考訳(メタデータ) (2023-12-07T08:23:44Z) - Human as Points: Explicit Point-based 3D Human Reconstruction from
Single-view RGB Images [78.56114271538061]
我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。
提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。
我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
論文 参考訳(メタデータ) (2023-11-06T05:52:29Z) - SECAD-Net: Self-Supervised CAD Reconstruction by Learning Sketch-Extrude
Operations [21.000539206470897]
SECAD-Netは、コンパクトで使いやすいCADモデルの再構築を目的とした、エンドツーエンドのニューラルネットワークである。
本研究は,CAD再構築の手法など,最先端の代替手段よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-03-19T09:26:03Z) - Reinforcement Learning for Block Decomposition of CAD Models [0.0]
本稿では, 平面CAD(Computer-Aided Design)モデルを, 形状が整った矩形ブロックに分解(分割)する新しいAI支援手法を提案する。
これらのブロックは, 保存法則による物理系の数値シミュレーションに適した高品質メッシュを生成するために必要である。
論文 参考訳(メタデータ) (2023-02-21T23:43:19Z) - AutoCAD: Automatically Generating Counterfactuals for Mitigating
Shortcut Learning [70.70393006697383]
完全自動かつタスクに依存しないCAD生成フレームワークであるAutoCADについて述べる。
本稿では,完全に自動化されたタスクに依存しないCAD生成フレームワークであるAutoCADを提案する。
論文 参考訳(メタデータ) (2022-11-29T13:39:53Z) - 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) - Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature
Interactions [153.6357310444093]
Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。
我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。
我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
論文 参考訳(メタデータ) (2020-03-05T13:05:27Z)
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。