DTV-CNN:基于深度和厚度视图的神经网络,用于高效的3D形状分类.
1Culham Centre for Fusion Energy, United Kingdom Atomic Energy Authority, OX14 3DB, United Kingdom.
Heliyon
|November 29, 2023
概括
本研究介绍了一种高效的2.5D卷积神经网络 (CNN),用于对3D形状进行深度学习. 该方法显著减少了机械和电子工程设计的培训时间和计算成本.
科学领域:
- 计算机科学 计算机科学
- 工程 工程师 工程师 工程师
- 人工智能的人工智能
背景情况:
- 对3D形状的深度学习对于推进工程设计至关重要.
- 现有的方法往往需要大量的计算资源和时间.
- 需要弥合2D图像深度学习和3D形状分析之间的差距.
研究的目的:
- 开发一种快速有效的算法,用于对3D形状进行深度学习.
- 提出一个浅层的2.5D卷积神经网络 (CNN) 架构.
- 为工程应用实现高效的3D形状分析.
主要方法:
- 开发了一个3D形状到2D图像投影算法.
- 三维几何被压缩成二维"厚度"和"深度"视图.
- 一个双通道灰度图像 (DTV) 将这些视图合并为特征提取.
- 采用了混合CNN和多个线性参数 (MLP) 模型.
主要成果:
- 在ModelNet10数据集上实现了92%的验证准确性.
- 与多视图CNN相比,训练时间缩短了一级.
- 在FreeCAD机械部件上获得97%的精度,在KiCAD电子部件上获得95%.
- 在几十分钟内在笔记本电脑CPU上演示训练.
结论:
- 拟议的2.5D CNN方法为3D形状分析提供了有效的解决方案.
- 这种方法显著降低了计算成本和培训时间.
- 该方法可以适应CAD几何学的各种机器学习任务.


