Apr, 2024

评估非分类别三维 CAD 模型上的深度聚类算法

PDF
TL;DR介绍了针对大规模非分类 3D CAD 模型的深度聚类算法的基准测试和评估工作。使用七种基准深度聚类方法，提出了一种新颖且可行的基于集成的聚类比较方法，以解决非分类数据的聚类方法评估所面临的挑战。这项工作是首次直接针对用于 3D 形状的深度聚类算法的未开发领域，我们相信这将成为分析和利用正在出现的大规模 3D 形状收藏的重要基础。
benchmarkingdeep clustering algorithmsnon-categorical 3d cad modelspairwise cad model similaritiesensemble-based clustering comparison approach
发现论文，激发创造
  • 计算机辅助设计的几何深度学习：一项综述

    几何深度学习在计算机辅助设计领域具有革命性的能力，通过利用基于机器学习的方法，CAD 设计师能够优化其工作流程，节省时间和精力，做出更明智的决策，并创造出创新且实用的设计。这篇综述提供了计算机辅助设计领域中基于学习的方法的全面概述，包括相似性分析和检索、2D 和 3D CAD 模型合成以及基于点云的 CAD 生成。此外，它还提供了完整的基准数据集及其特征，以及推动该领域研究的开源代码。最后的讨论涉及该领域面临的挑战，以及未来潜在的研究方向。

    Feb, 2024

  • 具体 K-means 深度聚类

    本研究旨在探讨从未标记数据中同时学习 K-means 聚类和深度特征表示的问题，通过 Gumbel-Softmax 重参数化技巧的梯度估计器解决了原问题，并通过标准聚类基准测试证明了方法的有效性。

    Oct, 2019

  • 深度聚类综述：分类，挑战和未来方向

    本文综述了深度聚类的最新研究进展、方法分类和实验设置，讨论了深度聚类的应用和未来方向。

    Jun, 2022

  • 深度连续聚类

    通过深度自编码器实现非线性降维和聚类，优化作为聚类过程的自编码器，避免之前聚类算法中离散目标的缺陷，无需先验知识即可进行聚类，实验证明该算法优于状态的聚类方案并具有普适性。

    Mar, 2018

  • ABC: 一个大型 CAD 模型数据集，用于几何深度学习

    介绍 ABC-Dataset，这是一个由一百万个计算机辅助设计 (CAD) 模型组成的数据集，可以用来研究几何深度学习方法和应用，其中每个模型均由显式参数化的曲线和曲面组成，可提供微分量、裂缝分割、几何特征检测和形状重建等方面的真实数据，还可在不同的格式和分辨率下生成数据，为广泛的几何学习算法提供了公正的比较基准，并在数据集中进行规模庞大的曲面法线估计基准测试，比较现有的数据驱动方法及其与地面实况和传统法线估计方法的性能。

    Dec, 2018

  • 基于非参数贝叶斯推断的基元形状抽象

    本文提出了一种非参数贝叶斯统计方法用于从点云中推断抽象的三维形状，包括未知数量的基本几何基元，并展示了该方法的实验结果比现有方法更准确且具有普适性。

    Mar, 2022

  • 深度学习聚类：分类与新方法

    本文提出了基于深度神经网络的系统聚类方法及分类法，并通过案例研究证明该分类法可用于创造新的聚类方法以克服其个别限制，而实验结果表明该方法能够达到甚至超过现有最高的聚类质量。

    Jan, 2018

  • DeepCAD：用于计算机辅助设计模型的深度生成网络

    提出了基于 Transformer 的 CAD 生成模型，能够自动编码和随机生成 3D 形状，为此创建了一个包含 178,238 个模型的 CAD 数据集，并公开该数据集以促进未来的研究。

    May, 2021

  • 基于聚类的点云表示学习用于三维分析

    基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种 3D 网络架构上表现出明显的改进，并在知名点云分割数据集和 3D 检测中显示出实用性。

    Jul, 2023

  • 非参数聚类的深度学习

    本研究提出了一种使用深度学习进行无监督非参数聚类的方法，首先利用深度学习进行特征表示和降维，然后在最大边际框架下进行非参数聚类，最后在深信念网络中优化模型参数。实验结果表明我们的方法优于现有竞争方法。

    Jan, 2015