12801

مطالعه و بررسي رويكردهاي مبتني بر شبكه هاي عصبي براي بهبود تكنيك بهينه سازي توپولوژي

1401

دكتر ناصر مزيني

موفقيت انكارناپذير يادگيري عميق بر روي تصاوير و متن، علاقه قابل توجهي را به كاربرد آن در داده هاي هندسي سه بعدي برانگيخته است. به جاي بررسي گستره‌اي از بازنمايي هاي هندسي جايگزين (مانند توابع ضمني، حجمي و ابرهاي نقطه‌اي)، اين مطالعه قصد دارد نمايش مش گسسته كه محبوب ترين نمايش براي اشكال سه بعدي در گرافيك كامپيوتري است را عميقا بررسي كند. ‫در اين مطالعه، روش‌هاي مختلفي براي پوشش جنبه‌هاي يادگيري عميق روي مش‌ها براي مخاطب ارائه مي‌كنيم و چالش‌هاي كليدي استفاده از يادگيري عميق در نمايش مش نامنظم و ايده‌هاي كليدي در مورد چگونگي تركيب يادگيري ماشين با پردازش هندسه كلاسيك براي ايجاد الگوريتم‌هاي يادگيري هندسي بهتر را تشريح مي‌كنيم. اين مطالعه با ارائه تاريخچه مختصري از كانولوشن روي تصاوير تا كانولوشن روي مش‌ها و بررسي گسترده در مورد كارهاي مهم در اين موضوع، بحث را تكميل مي كند. هدف ما ارائه يك بررسي جامع است كه تركيبي از جنبه‌هاي نظري و عملي را شامل مي‌شود و امكان تركيب آسان يادگيري عميق در تحقيقات پردازش هندسه را فراهم مي‌كند.

11/15/2023 12:00:00 AM

81120

1402/09/08

Studying and investigating approaches based on neural networks to improve the topology optimization technique

مش , سه‌بعدي , پردازش هندسه , بازنمايي سه‌بعدي , توابع ضمني , ابرنقاط , كانولوشن , بازسازي سطح , تقسيم مجدد , بافت هندسي , دسته‌بندي مش , ناحيه‌بندي مش

Mesh , 3D , geometry processing , 3D representation , implicit functions , point clouds , convolution , surface reconstruction , subdivision , geometric texture , mesh classification , mesh segmentation