.png){kind=icon}
返回
Visual feature enhancement method based on 3D convolutional network for automatic virtual design
.png){kind=icon}
OA
AI
DOI：10.1016/j.eij.2026.100925.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于3D表示的深度学习为虚拟设计的自动化带来了新的机遇，但如何从点云中获取描述性且可直接用于设计的视觉特征仍然是一个难题。为解决此问题，本文提出了一种基于3D卷积神经网络（CNN）架构的自适应多尺度几何特征增强（AMGFE）方法。该方法结合了体素网格中的粗尺度上下文信息与原始点云中的细尺度几何信息，并通过采用一种几何感知的自适应卷积机制对这些信息进行增强，该机制能根据局部形状属性动态调整提取的特征。此外，为更有效地突出与设计相关的特征（如边缘和表面特征），引入了通道注意力模块。在ModelNet40基准测试中，AMGFE方法的总体准确率（OA）为94.38%，平均类准确率（mCA）为92.17%，宏F1得分为0.9139，其性能优于PointNet和DGCNN等当前最优方法。总体而言，本研究结果表明，AMGFE方法在全局结构理解与局部几何精度之间实现了平衡，使其成为虚拟设计相关下游应用（如网格创建和3D建模）的良好候选方案。
Keyword:
3D CNN
Feature enhancement
Virtual design
Deep learning
3D convolutional networks
Point cloud processing
Geometric feature learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.3
论文数:
786
被引数:
1.4K
机构
引用论文
3D-Guided Multi-Feature semantic enhancement network for person re-ID3D引导的多特征语义增强网络用于行人重识别.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏An Automated Training of Deep Learning Networks by 3D Virtual Models for Object RecognitionSymmetryOAAI
SymmetryIF0
OAAI分享收藏
Image enhancement with art design: a visual feature approach with a CNN-transformer fusion modelOAAI
OAAI分享收藏3D convolutional neural network for machining feature recognition with gradient-based visual explanations from 3D CAD modelsSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容