检索结果-南通市图书馆

上海交通大学学报 2007年第9期41卷 1492-1496页

作者：王会凤周雄辉王婉上海交通大学国家模具CAD工程研究中心上海200030

为了获得最优分割方案,提出一种基于特征的零件分割算法.算法将特征技术首次应用于零件分割工艺中,将特征作为研究对象,以特征可加工性分析替代传统零件三角面片可视性分析,提高了计算精度与效率;分割过程中约束条件不但保证了分割块的... 详细信息

为了获得最优分割方案,提出一种基于特征的零件分割算法.算法将特征技术首次应用于零件分割工艺中,将特征作为研究对象,以特征可加工性分析替代传统零件三角面片可视性分析,提高了计算精度与效率;分割过程中约束条件不但保证了分割块的规整性而且有利于CAD/CAM的集成;算法中引入分割方案优选规则,保证了分割方案的最优性.该算法具有分割效率高、适用性强和实现过程简单等优点.

关键词：零件分割基于特征可加工性可视性

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

关联线和零件分割的联合使用设计

引用

煤 2019年第9期28卷 41-43页

作者：张红霞山西潞安装备制造公司

对SolidEdge建模模块中的几个命令:“包含”、“零件分割”和“曲面”,如果在建模设计过程中灵活使用,会带来事半功倍的效果。在产品开发设计之初,将设计初期的二维图形与这些命令配合使用,在产品的三维建模设计过程中也会有意想不到的... 详细信息

对SolidEdge建模模块中的几个命令:“包含”、“零件分割”和“曲面”,如果在建模设计过程中灵活使用,会带来事半功倍的效果。在产品开发设计之初,将设计初期的二维图形与这些命令配合使用,在产品的三维建模设计过程中也会有意想不到的效果。

关键词：包含零件分割 SolidEdge 曲面

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

一种改进的点云Transformer深度学习模型

引用

中北大学学报（自然科学版） 2021年第6期42卷 515-523页

作者：高金金李潞洋山西财经大学实验中心山西太原030006 中北大学大数据学院山西太原030051

针对点云Transformer中注意力计算单一与局部特征嵌入损失的问题,本文提出了一种改进的点云Transformer编码结构.首先,在自注意力权重矩阵的计算中进行多头分拆分并独立计算注意力得分,以实现从多个方面的自注意力计算.然后,在邻域编码... 详细信息

针对点云Transformer中注意力计算单一与局部特征嵌入损失的问题,本文提出了一种改进的点云Transformer编码结构.首先,在自注意力权重矩阵的计算中进行多头分拆分并独立计算注意力得分,以实现从多个方面的自注意力计算.然后,在邻域编码时增加了多空间尺度邻域特征嵌入,以融合多个尺度上的邻域特征.最后,为特征增加了自适应的空间位置编码嵌入,以增强绝对空间位置特征.基于改进的Transformer编码结构,构建了形状分类、零件分割和法向量估计三种常见点云分析任务的深度学习模型,并在ModelNet与ShapeNet数据集上验证了模型的有效性.实验结果表明,与点云Transformer相比,本文方法的分类准确率与分割平均重叠度分别提高了0.3%和0.2%,这充分验证了改进方法的有效性.

关键词：点云深度学习形状分类零件分割

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的三维目标分类与分割

基于卷积神经网络的三维目标分类与分割

引用

作者： Zikirillahi Aminu Bello 厦门大学

学位级别：硕士

深度学习在计算机视觉任务中得到了广泛的应用,特别是在二维图像分类和分割中。最近,大型三维数据集的可用性和计算能力的提升使得将深度学习技术应用于三维数据成为可能。然而,尽管深度学习在二维图像分析中已经非常流行,但是将深度学... 详细信息

深度学习在计算机视觉任务中得到了广泛的应用,特别是在二维图像分类和分割中。最近,大型三维数据集的可用性和计算能力的提升使得将深度学习技术应用于三维数据成为可能。然而,尽管深度学习在二维图像分析中已经非常流行,但是将深度学习技术应用于三维数据也面临着不同的挑战。与具有规则结构的2D图像不同,3D数据没有规则结构。因此,研究人员过去要么将三维数据转换成规则形式,要么进行精细的卷积运算,以克服三维数据的不规则性。在这项工作中,我们使用三维数据(点云和体积)的混合表示来克服与三维数据相关的结构问题。这项工作的主要贡献如下:·我们为3D对象分类和零件分割任务引入了一种新的深卷积神经网络。我们的网络结构直接以点云和体积作为输入输出对象类别或零件标签。利用点云的卷积结构将点云和三维体素的卷积结构嵌入到三维空间结构中,是实现点云空间结构灵活性的关键。·我们引入了一种体素特征编码器,在将点云输入深度网络之前,使用幅值向量和体素内所有点之间的欧几里德距离捕捉点云的局部关系。我们设计并研究了三种不同类型的体素特征编码器,各有优缺点。编码器的主要目标是提取点云的局部几何特征,以提高我们的网络捕捉三维物体更细粒度细节的能力。·我们验证了点云局部组内点的局部关系是提取更精细的三维物体细节的关键。同时,我们验证了体素大小对三维卷积运算时间复杂度的影响。此外,不同的局部区域采样方法被应用于体素内的采样点。最后,我们在 ModelNet10、ModelNet40、ModelNet50、XmuNonRigid 和Schelling基准测试了分类任务并且在ShapeNet-part基准测试了语义零件分割。在三维分类任务中,我们提出的方法在ModelNet10、ModelNet40、ModelNet50、XmuNonRigid 和 Schelling 基准上分别达到了 93.4%、88.2%、87.7%、94.5%和92.5%的分类精度。在语义零件分割任务中,我们的模型在ShapeNet-part基准测试中达到了 83.1%的mIoU准确率。

关键词：三维点云深度学习对象分类零件分割

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：