×
Van Biesbroeck，安托万；尚飞飞；大卫·巴斯尔

通过深度学习进行CAD模型分割。 （英语） Zbl 07342005号

国际期刊计算。方法 18，第3号，文章ID 2041005，11 p.（2021）.
概要：计算机辅助设计（CAD）模型广泛应用于当前的计算机辅助工程或有限元分析（FEA）系统中，这些系统需要根据其几何形状进行最佳网格划分。为了达到这种效果，子映射方法是有利的，因为它将CAD模型分割为不同的子部分，目的是独立地对其进行网格划分。文献中许多现有的3D形状分割方法不适用于CAD模型。因此，我们提出了一种利用深度学习技术分割CAD模型的新方法。首先，我们细化模型并从其形状中提取局部几何特征。随后，我们设计了一个基于卷积神经网络（CNN）的神经网络，该神经网络使用自定义数据集进行训练。实验结果证明了该方法的稳健性及其未来适应增强数据集的潜力。

引用于1文件

MSC公司：

68倍 计算机科学
03年XX月 数学逻辑和基础

关键词：

曲面网格；分段；深度学习；卷积神经网络；CAD模型

软件：

KPConv公司；亚当；ImageNet公司；github；VoxNet公司；SegNet公司；AlexNet公司
PDF格式BibTeX公司 XML格式引用
\textit{A.Van Biesbroeck}等人，《国际计算杂志》。方法18，第3号，文章ID 2041005，11页（2021；Zbl 07342005）
全文： 内政部

参考文献：

[1] Badrinarayanan，V.、Kendall，A.和Cipolla，R.[2017]“SegNet:用于图像分割的深度卷积编码器-解码器架构”，IEEE Trans。模式分析。机器智能。，39, 12.
[2] Danglade，F.、Veron，Ph.、Pernot，J-Ph.和Fine，L.【2015】“使用机器学习技术评估CAD模型简化对CFD分析的影响”，计算机辅助设计与应用（CAD 2015），英国伦敦，第1-5页。
[3] Fukushima，K.[1980]“Necognitron:不受位置变化影响的模式识别机制的自组织神经网络模型”，Biol。《网络》36（4），193-202·Zbl 0419.92009号
[4] Gao，S.，Zhao，W.，Lin，H.，Yang，F.和Chen，X.[2010]“通过聚类进行CAD网格模型分割”，计算-助理Des.42，1178-1188。
[5] Kalogerakis，E.、Hertzmann，A.和Singh，K.[2010]“学习3D网格分割和标记”，ACM Trans。图29、3。
[6] Kalogerakis，E.、Averkiou，M.、Maji，S.和Chaudhuri，S.[2017]“利用投影卷积网络进行三维形状分割”，IEEE Conf.计算机视觉和模式识别。（CVPR），夏威夷州火奴鲁鲁，美国，第3779-3788页。
[7] Kingma，D.和Ba，J.[2015]“Adam:一种随机优化方法”，《国际Conf.学习表征》，加州圣地亚哥，美国。
[8] Krizhevsky，A.、Sutskever，I.和Hinton，G.E.[2012]“利用深度卷积神经网络进行ImageNet分类”，《神经信息处理系统25（NIPS）进展》，美国内华达州塔霍湖，第1097-1105页。
[9] LeCun，Y.，Boser，B.，Denker，J.S.，Henderson，D.，Hubbard，W.和Jackel，L.D.[1989]“反向传播应用于手写邮政编码识别”，神经计算1（4），541-551。
[10] LeCun，Y.，Huang，F.J.和Bottou，L.[2004]“具有姿势和光照不变性的通用对象识别的学习方法”，计算。视觉。图案识别2，11-97。
[11] Long，J.、Shelhamer，E.和Darrell，T.[2015]“语义分割的完全卷积网络”，计算。视觉。模式识别。，美国马萨诸塞州波士顿。第3431-3440页。
[12] Maturana，D.和Scherer，S.[2015]“VoxNet:用于实时对象识别的3D卷积神经网络”，2015 IEEE/RSJ Int.Conf.Intelligent Robots and Systems（IROS），德国汉堡，第922-928页。
[13] Shapira，L.、Shalom，S.、Shamir，A.、Cohenor，D.和Zhang，H.[2010]“3D对象中的上下文部分类比”，国际计算机杂志。视觉。，89(2), 309-326.
[14] Shapira，L.、Shamir，A.和Cohen-Or，D.[2008]“使用形状-直径函数实现一致的网格划分和骨架化”，《可视化计算》第24、249页。
[15] Simonyan，K.和Zisserman，A.[2015]“用于大规模图像识别的非常深卷积网络”，《国际Conf.学习表征》，加利福尼亚州圣地亚哥，美国。
[16] Su，H.，Maji，S.，Kalogerakis，E.和Learnd-Miller，E.G.[2015]“用于3D形状识别的多视图卷积神经网络”，Proc。ICCV，智利圣地亚哥，第945-953页。
[17] Thomas，H.，Qi，Ch.R.，Deschaud，J.-E.，Marcotegui，B.，Goulette，F.和Guibas，L.J.[2019]“KPConv:点云的灵活和可变形卷积”，IEEE/CVF国际计算机视觉会议（ICCV），韩国首尔，第6410-6419页。
[18] Xiao，D.，Lin，H.，Xian，C.和Gao，S.[2011]“通过聚类进行CAD网格模型分割”，计算。图35、685-691。
[19] Xu，H.，Dong，M.和Zhong，Z.[2017]“三维形状分割的方向卷积网络”，IEEE国际计算机视觉会议（ICCV），意大利威尼斯，第2698-2707页。
[20] Yu，F.和Koltun，V.[2016]“通过扩展卷积进行多尺度上下文聚合”，《国际Conf.学习表征》，圣胡安，波多黎各。
[21] Zhang，E.，Mischaikow，K.和Turk，G.[2005]“基于特征的表面参数化和纹理映射”，ACM Trans。图24，1。
[22] Zhang，Mitra，S.和Abdelrahman，H.[2016]“3D网格分割和标记”，github.com/lovelylightningbug/CSE881_project.git。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。