本文提出了一个终端到终端的框架来恢复低质量的工程图纸,并识别其上的图形符号,利用统计学的灰度共现矩阵对工程图纸修复补全,使用改进版的超分辨率生成对抗网络(ESRGAN)模型和改进版的基于区域的卷积神经网络(Faster R-CNN)模型分别改善两种类型的补丁质量,并提出多阶段任务驱动的协作学习策略来训练模型,以实现图形符号的识别。通过在真实世界的电气图表上进行实验,结果表明该框架的准确率为 98.98%,召回率为 99.33%,证明其优于之前的方法。此外,该框架已集成到广泛使用的电力系统软件应用中以展示其实用性。
Dec, 2023
基于视觉概念的神经元激活依赖和功能连接,我们提出了一种新的方法来提取深度视觉模型计算图的子图,从而防御大规模预训练模型的对抗攻击。
Apr, 2024
使用深度学习方法将设计图纸转换为数字格式,以解决其在实体形式下的维护、存档和使用的困难,并通过对象检测模型、边缘检测算法、曲线检测技术和光学字符识别工具提高转换的准确性和效率,进而提高组织的生产力、促进协作并方便地保留有价值的设计信息。
Mar, 2024
本文提出了一个细粒度数学图形的视觉理解任务,提供了 Line Graphics 数据集并测试了七种不同的计算机视觉模型来支持此任务,可应用于语义分割和对象检测。
Jul, 2023
本文提出了一种新颖的电路设计方法,将电路组件视为点云,并使用基于 Transformer 的点云感知方法从电路中提取特征,实现了直接从原始数据进行特征提取,无需预处理,可进行端到端训练,并实现了高性能。该方法在拥堵预测任务和设计规则检查 (DRC) 违规预测任务中都取得了最先进的性能,并在对开放型 EDA 设计的研究中提供了源代码和预训练模型。
Oct, 2023
本文介绍了一种创新的、完整的端到端流程,采用深度学习和用户交互技术,对印刷和草书英文手写手稿进行注释,该方法使用了最先进的文本识别模型构建的检测系统和自定义的深度学习模型,结合易于使用的交互式界面,旨在提高检测、分割、序列化和识别阶段的准确性,以确保高质量的注释数据,最大程度地减少人类交互。
Apr, 2023
使用神经电路图图示化深度学习架构,展示架构的细节、数据的排列方式以及线性操作的并行行为,并且能够提供数学洞察力和算法的时间和空间复杂度分析。
Feb, 2024
提出了一种基于图的学习框架,用于自动提取模拟电路布局中的对称约束,并通过实验证明相比现有的对称约束检测方法,该框架在准确性和错误率方面具有更高的性能。
本研究提出了以图论为基础的知识图谱用于汽车开发过程中的碰撞安全,关注如何在研发流程中将 CAE 数据与车辆安全性能评估协议相连接。
Sep, 2022
通过微调预训练模型创建了 OpenECAD,利用视觉语言模型的视觉、逻辑、编码和通用能力,将 3D 设计图像转换为高度结构化的 2D 草图和 3D 构造命令,并可直接与现有 CAD 工具的 API 一起使用,以生成项目文件。为了训练网络,创建了一个新的 CAD 数据集以满足视觉语言模型的需求。
Jun, 2024