使用 3D-CNN 学习局部几何特征：在钻孔可制造性分析中的应用
计算机视觉与模式识别
2017-07-18 v2 机器学习
摘要
三维卷积神经网络（3D-CNN）已被用于基于物体体素化形状的物体识别。本文提出了一种基于 3D-CNN 的方法，用于学习物体内感兴趣的独特局部几何特征。在此背景下，体素化表示可能不足以捕捉关于此类局部特征的区分性信息。为实现高效学习，我们用物体边界的表面法向量增强体素数据。然后，使用此增强数据训练 3D-CNN，并利用三维梯度加权类激活映射识别对决策至关重要的局部特征。此特征识别框架的一个应用是识别复杂 CAD 几何形状中难以制造的钻孔特征。该框架可扩展到识别多个空间尺度上的难制造特征，从而形成面向可制造性设计的实时决策支持系统。
引用
@article{arxiv.1612.02141,
title = {Learning Localized Geometric Features Using 3D-CNN: An Application to Manufacturability Analysis of Drilled Holes},
author = {Aditya Balu and Sambit Ghadai and Kin Gwn Lore and Gavin Young and Adarsh Krishnamurthy and Soumik Sarkar},
journal= {arXiv preprint arXiv:1612.02141},
year = {2017}
}
备注
9 Pages