面向机械CAD检索的自监督图神经网络
信息检索
2024-06-19 v2 人工智能
计算机视觉与模式识别
摘要
计算机辅助设计（CAD）在机械工业中扮演着关键角色，其中经常创建大量形状相似的CAD零件。高效重用这些零件是降低企业设计和生产成本的关键。检索系统对于实现CAD重用至关重要，但CAD模型的复杂形状难以用文本或关键词准确描述，使得传统检索方法效果不佳。虽然现有的表示学习方法已针对CAD开发，但这些方法中手动标注相似样本的成本高昂。此外，CAD模型独特的参数化数据结构给直接应用现有的3D形状表示学习技术带来了挑战。在这项工作中，我们提出了GC-CAD，一种基于自监督对比图神经网络的方法，用于机械CAD检索，该方法直接对参数化的CAD原始文件进行建模。GC-CAD由两个关键模块组成：结构感知表示学习和对比图学习框架。该方法利用图神经网络从CAD模型中提取几何和拓扑信息，生成特征表示。然后，我们引入了一种简单而有效的对比图学习框架方法，使模型无需人工标注即可训练，并生成可用于检索的表示。在包括人工评估在内的四个数据集上的实验结果表明，与基线方法相比，所提出的方法实现了显著的精度提升和高达100倍的效率提升。
引用
@article{arxiv.2406.08863,
title = {Self-supervised Graph Neural Network for Mechanical CAD Retrieval},
author = {Yuhan Quan and Huan Zhao and Jinfeng Yi and Yuqiang Chen},
journal= {arXiv preprint arXiv:2406.08863},
year = {2024}
}