Constraint Learning for Parametric Point Cloud

要約

パラメトリック点群は CAD 形状からサンプリングされ、工業生産においてますます普及しています。
しかし、既存の点群学習法のほとんどは、ローカルおよびグローバルな特徴や効率的な畳み込み演算の開発などの幾何学的特徴に焦点を当てており、CAD 形状に固有の制約という重要な属性を見落としており、CAD 形状を完全に理解するこれらの方法の能力が制限されています。
この問題に対処するために、私たちは制約の影響を分析し、その深層学習に適した表現を提案しました。その後、制約を抽出して活用するための制約特徴学習ネットワーク (CstNet) が開発されました。
CstNet には 2 つのステージが含まれています。
ステージ 1 では、B-Rep データまたは点群から制約を抽出します。
ステージ 2 では、座標と制約を利用して CAD 形状の理解を深めます。
さらに、ラベル付き B-Rep データセットの不足に備えて、パラメトリック 20,000 マルチモーダル データセットを構築しました。
実験により、CstNet が公開および提案された CAD 形状データセットの両方で最先端のパフォーマンスを達成したことが実証されました。
私たちの知る限り、CstNet は CAD 形状解析用に調整された最初の制約ベースの学習方法です。

要約(オリジナル)

Parametric point clouds are sampled from CAD shapes, have become increasingly prevalent in industrial manufacturing. However, most existing point cloud learning methods focus on the geometric features, such as local and global features or developing efficient convolution operations, overlooking the important attribute of constraints inherent in CAD shapes, which limits these methods’ ability to fully comprehend CAD shapes. To address this issue, we analyzed the effect of constraints, and proposed its deep learning-friendly representation, after that, the Constraint Feature Learning Network (CstNet) is developed to extract and leverage constraints. Our CstNet includes two stages. The Stage 1 extracts constraints from B-Rep data or point cloud. The Stage 2 leverages coordinates and constraints to enhance the comprehend of CAD shapes. Additionally, we built up the Parametric 20,000 Multi-modal Dataset for the scarcity of labeled B-Rep datasets. Experiments demonstrate that our CstNet achieved state-of-the-art performance on both public and proposed CAD shapes datasets. To the best of our knowledge, CstNet is the first constraint-based learning method tailored for CAD shapes analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google