利用 3D-CNN 学习与可视化局部几何特征：在钻孔可制造性分析中的应用
机器学习
2018-03-29 v3 计算机视觉与模式识别
机器学习
摘要
三维卷积神经网络（3D Convolutional Neural Networks, 3D-CNN）已基于物体的体素化形状用于物体识别。然而，解释这些 3D-CNN 的决策过程仍是一项难以完成的任务。本文提出一种独特的基于 3D-CNN 的梯度加权类激活映射方法（3D-GradCAM），用于对物体内部感兴趣的独特局部几何特征进行可视化解释。为实现 3D 几何的高效学习，我们用物体边界的表面法线扩充体素数据。随后用该扩充数据训练 3D-CNN，并利用 3D GradCAM 识别对决策至关重要的局部特征。该特征识别框架的一个应用是在复杂 CAD 几何中识别难制造的钻孔特征。该框架可扩展至识别多空间尺度下的难制造特征，从而构建实时的面向可制造性设计决策支持系统。
引用
@article{arxiv.1711.04851,
title = {Learning and Visualizing Localized Geometric Features Using 3D-CNN: An Application to Manufacturability Analysis of Drilled Holes},
author = {Sambit Ghadai and Aditya Balu and Adarsh Krishnamurthy and Soumik Sarkar},
journal= {arXiv preprint arXiv:1711.04851},
year = {2018}
}
备注
Presented at NIPS 2017 Symposium on Interpretable Machine Learning