.png){kind=icon}
返回
Sampling balanced high-quality data to train an automatic mesh generator
.png){kind=icon}
PRE
AI
DOI：10.1017/S089006042510019X.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在实际应用场景中，高质量数据通常稀缺且不平衡，但这对于数据驱动算法模型的最佳性能至关重要。数据合成方法常用于解决此问题；然而，它们通常高度依赖原始数据集，这限制了它们显著提升性能的能力。本文提出了一种基于质量函数的方法直接生成高质量数据，并将其应用于网格生成算法，以展示其效率和有效性。所提出的方法根据算法的特征空间对输入-输出对进行采样，使用定义的质量函数选择高质量样本（该函数评估输出相对于其对应输入的适宜性），并利用选定的数据训练一个前馈神经网络以学习映射关系。实验结果表明，在学习成本显著降低的同时，其性能相较于两种代表性网格生成算法仍具有竞争力。
Keyword:
data generation
data synthesis
mesh generation
optimal performance
algorithm design
期刊
A
IF:
2.3
论文数:
15
被引数:
885
机构
引用论文
An intelligent diagnosis scheme based on generative adversarial learning deep neural networks and its application to planetary gearbox fault pattern recognition基于生成式对抗学习深度神经网络的智能诊断方案及其在行星齿轮箱故障模式识别中的应用.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
A robust combinatorial approach to reduce singularities in quadrilateral meshes减少四边形网格奇点的鲁棒组合方法
PREAI
分享收藏
查看更多内容