論文の概要: Technology prediction of a 3D model using Neural Network

• arxiv url: http://arxiv.org/abs/2505.04241v1
• Date: Wed, 07 May 2025 08:45:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:36.014154
• Title: Technology prediction of a 3D model using Neural Network
• Title（参考訳）: ニューラルネットワークによる3次元モデルの予測
• Authors: Grzegorz Miebs, Rafał A. Bachorz,
• Abstract要約: 本稿では,製造工程と製造期間を製品3Dモデルから直接予測するデータ駆動型手法を提案する。 モデルを複数の2Dイメージにレンダリングし、Generative Query Networkにインスパイアされたニューラルネットワークを活用することにより、幾何学的特徴を時間推定にマッピングすることを学ぶ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate estimation of production times is critical for effective manufacturing scheduling, yet traditional methods relying on expert analysis or historical data often fall short in dynamic or customized production environments. This paper introduces a data-driven approach that predicts manufacturing steps and their durations directly from a product's 3D model. By rendering the model into multiple 2D images and leveraging a neural network inspired by the Generative Query Network, the method learns to map geometric features into time estimates for predefined production steps enabling scalable, adaptive, and precise process planning across varied product types.
• Abstract（参考訳）: 生産時間の正確な推定は、効率的な製造スケジューリングには不可欠であるが、専門家分析や過去のデータに依存する従来の手法は、動的またはカスタマイズされた生産環境では不足することが多い。 本稿では,製造工程と製造期間を製品3Dモデルから直接予測するデータ駆動型手法を提案する。 モデルを複数の2Dイメージにレンダリングし、Generative Query Networkにインスパイアされたニューラルネットワークを活用することにより、さまざまな製品タイプにわたるスケーラブルで適応的で正確なプロセス計画を可能にする、事前に定義された生産段階の幾何学的特徴を時間推定にマッピングすることを学ぶ。

関連論文リスト

• Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
  データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。 我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。 本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:28:23Z)
• Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
  本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。 我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
  論文  参考訳（メタデータ） (2023-07-13T08:27:09Z)
• An adaptive human-in-the-loop approach to emission detection of Additive Manufacturing processes and active learning with computer vision [76.72662577101988]
  In-situ monitoring and process control in Additive Manufacturing (AM) は大量の排出データを収集することを可能にする。 このデータは、3Dプリントされた部品の3Dおよび2D表現への入力として使用できる。 本研究の目的は,機械学習技術を用いた適応型ヒューマン・イン・ザ・ループ手法を提案することである。
  論文  参考訳（メタデータ） (2022-12-12T15:11:18Z)
• Training and Tuning Generative Neural Radiance Fields for Attribute-Conditional 3D-Aware Face Generation [66.21121745446345]
  本稿では,特定の属性ラベルを入力として統合した条件付きGNeRFモデルを提案する。 提案手法は, 事前学習した3次元顔モデルに基づいており, 条件付き正規化フローモジュールをトレーニングするためのTraining as Init and fidelity for Tuning (TRIOT) 方式を提案する。 本実験は,ビューの整合性を高めた高品質な編集を行う能力を示すとともに,本モデルの有効性を実証するものである。
  論文  参考訳（メタデータ） (2022-08-26T10:05:39Z)
• Learning 3D Mineral Prospectivity from 3D Geological Models with Convolutional Neural Networks: Application to a Structure-controlled Hydrothermal Gold Deposit [4.647073295455922]
  本稿では、畳み込みニューラルネットワーク(CNN)を利用して、3次元地質モデルから3次元鉱物の分布を学習する新しい手法を提案する。 具体的には、入力を構造化すべきCNNを用いて非構造化の3次元地質モデルを探究するため、2次元CNNフレームワークを開発した。 これにより、予測モデルは鉱石形成過程を近似しながら、CNNを効果的かつ効率的に訓練することができる。
  論文  参考訳（メタデータ） (2021-09-02T07:34:10Z)
• Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
  本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。 提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
  論文  参考訳（メタデータ） (2021-08-30T19:45:07Z)
• A Deep Learning Framework for Simulation and Defect Prediction Applied in Microelectronics [3.8698051494433043]
  本稿では,3次元畳み込みニューラルネットワーク(DCNN)に基づくアーキテクチャを提案し,製造パラメータの幾何学的変動をモデル化する。 我々は最近発表されたPCBスキャンデータセットを用いて,マイクロエレクトロニクスのユースケースに関する枠組みを検証する。
  論文  参考訳（メタデータ） (2020-02-25T15:54:33Z)

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。