利用有向包围盒与 LSTM 自编码器分析和预测形变三维形状
计算机视觉与模式识别
2020-09-09 v1 机器学习
机器学习
摘要
对于随时间变化的复杂三维形状序列，我们提出一种通用方法，利用复杂形状的结构组分来检测其分析所需的模式并预测形变。我们将长短期记忆（LSTM）层嵌入自编码器中，以构建低维表示，从而能够检测数据中的模式并进一步捕捉形变行为中的时间动态。这是通过两个解码器实现的：一个用于重建，一个用于预测序列的未来时间步。在预处理步骤中，所研究对象的组分被转换为有向包围盒，其捕捉塑性变形的影响并降低描述结构的数据维度。该架构在 196 个具有 133 个不同组分的模型汽车碰撞仿真结果上进行了测试，其中材料属性有所变化。在潜表示中，我们可以检测到不同组分的塑性变形模式。所预测的包围盒给出了对最终仿真结果的估计，且其质量相较于不同基线有所提升。
引用
@article{arxiv.2009.03782,
title = {Analysis and Prediction of Deforming 3D Shapes using Oriented Bounding Boxes and LSTM Autoencoders},
author = {Sara Hahner and Rodrigo Iza-Teran and Jochen Garcke},
journal= {arXiv preprint arXiv:2009.03782},
year = {2020}
}