用于生成用户自定义三维形状的概念激活向量
计算机视觉与模式识别
2022-05-05 v1 图形学
机器学习
摘要
我们在计算机辅助设计（CAD）的背景下探索三维几何深度学习模型的可解释性。参数化CAD领域的局限性在于难以用少数数值参数表达高层设计概念。本文中，我们使用深度学习架构将高维三维形状编码为向量化的潜在表示，该表示可用于描述任意概念。具体而言，我们训练一个简单的自编码器来参数化复杂形状数据集。为理解潜在编码空间，我们利用概念激活向量（CAV）的思想，根据用户定义的概念重新解释潜在空间。这使得能够修改参考设计，以展现所选单个概念或概念组更多或更少的特征。我们还检验了所识别概念的统计显著性，并确定了数据集中感兴趣物理量的敏感性。
引用
@article{arxiv.2205.02102,
title = {Concept Activation Vectors for Generating User-Defined 3D Shapes},
author = {Stefan Druc and Aditya Balu and Peter Wooldridge and Adarsh Krishnamurthy and Soumik Sarkar},
journal= {arXiv preprint arXiv:2205.02102},
year = {2022}
}