【AAGNet】GNN模型用于BREP数模分割代码复现笔记

最新推荐文章于 2025-05-27 19:07:36 发布
原创 最新推荐文章于 2025-05-27 19:07:36 发布 · 1.2k 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#笔记 #神经网络 #python

本文记录了AAGNet模型在BREP数模分割任务中的应用，包括随机生成加工特征、数据预处理、模型训练及优化策略。使用Adamw优化器、余弦退火学习率调度和指数移动平均(EMA)提升模型性能。模型在MFCAD/MFCAD++数据集上进行训练，输出语义分割结果。同时介绍了评估指标，如准确率、IOU、F1分数、精确率和召回率，并展示了实例分割和底面分割的损失函数。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录


论文地址： https://doi.org/10.1016/j.rcim.2023.102661
代码地址： https://github.com/whjdark/AAGNet
数据库地址： MFInstSeg, MFCAD with AAGNet, MFCAD++ with AAGNet

已复现代码目录

√数据生成及转换：dataset/main.py

功能：在立方体上随机生成n个加工特征，随机生成的加工特征类型如下图
24种加工特征

√数据生成及转换：dataset/crosscheck.py

功能：检查并删除非标准数据，数据库示例如下图

最低0.47元/天 解锁文章

200万优质内容无限畅学
youngblood_430
关注
GNN图神经网络模型详解与代码复现
hasakie的博客
12-29 470
图神经网络(GNN)是一种革命性的深度学习模型，专门设计用于处理图结构数据。它的核心思想是通过迭代方式聚合邻居节点的表示来更新当前节点的表示，从而捕捉图中节点之间的复杂关系。GNN的工作机制可以简化为以下步骤:初始化节点表示邻居聚合节点更新输出表示在这个过程中，GNN利用图的拓扑结构和节点特征信息，逐步构建节点的高层次表示。值得注意的是，GNN的设计灵感来源于巴拿赫不动点定理，这一数学原理保证了GNN在迭代过程中能够收敛到稳定的解决方案。深入探讨GNN的原理，我们需要理解其背后的数学基础。
Machining feature recognition using BRepNet(加工特征识别)【浅读】
bettle_king的博客
04-03 1559
自20世纪80年代以来，利用各种方法对三维(3D)计算机辅助设计(CAD)模型的加工特征进行了许多尝试。近年来，深度学习方法在机械加工特征识别中得到了广泛的应用。然而，边界表示(BRep)模型是3D CAD模型最常见的表示形式，由于其结构复杂，难以直接用于深度学习。为了解决这个问题，最近提出了BRepNet。提出了一种利用BRepNet对以BRep为代表的三维CAD模型进行加工特征识别的方法。在该方法中，基于加工特征，利用BRepNet对三维CAD模型的各个面进行分类。
AAGNet：神经网络革新加工特征识别
最新发布
抟土成人祖，炼石补青天。眼中览银河，手可摘星辰。
05-27 766
尽管如此，一些现有的深度学习方法在追求智能化的过程中也遇到了新的挑战。的新型图神经网络架构。这种 gAAG 能够直接从基于边界表示（B-Rep）的中性 CAD 模型中提取信息，并有效地保留其固有的拓扑关系、精确的几何细节以及可扩展的属性信息，从而最大程度地避免了信息在转换过程中的损失。而加工特征识别（Machining Feature Recognition, MFR）正是 CAPP 系统中至关重要的一环，它负责从复杂的 CAD 模型几何实体中提取并理解具有制造意义的语义信息，为后续的工艺决策奠定基础。
数模设计和GND的分割设计
俸禄的小三
05-02 5140
1、板层的结构 板层的结构是决定系统的EMC性能一个很重要的因素。一个好的板层结构对抑制PCB中辐射起到良好的效果。在现在常见的高速电路系统中大多采用多层板而不是单面板和双面板。在设计多面板时候需要注意以下方面。 1.一个信号层应该和一个敷铜层相邻； 2.信号层应该和临近的敷铜层紧密耦合（即信号层和临近敷铜层之间的介质厚度很小）； 3.电源敷铜和地敷铜应该紧密耦合； 4.系
CAD零件三维模型特征识别介绍
做有意义的事情
12-10 3262
由于零件的的三维建模成型过程与加工制造成型过程并不相同，所以多数情况下设计特征和加工特征是不同的。不管类型是什么，特征都是零件几何模型主要信息的载体。在CAD软件与CAM软件之间建立桥梁的一个关键问题是如何将建模特征与数控加工程序关联起来。
【OCC学习12】边界表示法（Brep）简述
loveoobaby的博客
08-21 9867
边界表示的一个重要特征是描述形体的信息包括几何信息（Geometry）和拓朴信息（Topology）两个方面。拓朴信息描述形体上的顶点、边、面的连接关系，它形成物体边界表示的“骨架”。形体的几何信息犹如附着在“骨架”上的肌肉。例如，形体的某个面位于某一个曲面上，定义这一曲面方程的数据就是几何信息。此外，边的形状、顶点在三维空间中的位置（点的坐标）等都是几何信息，一般来说，几何信息描述形体的大小、尺寸、位置和形状等。
基于生成对抗网络GNN实现的手写数字识别python源码(含详细注释+数据+模型直接运行).zip
12-28
基于生成对抗网络GNN实现的手写数字识别python源码(含详细注释+数据+模型直接运行).zip基于生成对抗网络GNN实现的手写数字识别python源码(含详细注释+数据+模型直接运行).zip基于生成对抗网络GNN实现的手写数字识别...
基于MindSpore框架的GNN深度分子模型Cybertroncode设计源码
09-27
本项目“基于MindSpore框架的GNN深度分子模型Cybertroncode设计源码”便是这一方向的最新研究与实践成果，它为研究人员和工程师提供了一套强大的工具集，以进行分子层面的研究和开发。 MindSpore框架是由华为开发的...
cg-gnn训练模型，
01-20
cg-gnn训练模型，
基于GNN的语义分割.docx
04-24
"基于GNN的语义分割" 基于GNN图神经网络的语义分割是将图神经网络与语义分割结合起来的一篇论文。下面是相关知识点的总结： 一、图神经网络（GNN） 图神经网络（Graph Neural Network，GNN）是深度学习中的一种新...
贝叶斯算法
csbq_xm的博客
03-18 291
创建朴素贝叶斯分类器。# 划分训练集和测试集。# 1.莺尾花数据集。# 加载鸢尾花数据集。
【论文阅读】CVPR2022 || Label-Only Model Inversion Attacks via Boundary Repulsion
qq_45822394的博客
03-06 284
文章的主要思想与白盒类似，仍然尝试在目标模型下合成目标类最大可能性输入，然而只有在标签的设置下，不能直接计算梯度信息并利用他来知道数据综合，本文认为解决这个挑战的关键见解就是给定类的高可能性区域通常是位于类的中心，远离决策边界，本文的这种算法就是允许合成图像迭代的远离决策边界。我们算法背后的直觉是，一个点离类的决策边界越远，这个点对类的代表性就越大。评估了对一系列模型架构和数据集的攻击，然后表明，尽管利用的目标模型信息较少，但我们的攻击仍大大优于基于置信度的黑箱攻击，并取得了与最先进的白箱攻击相当的性能。
10个值得关注的几何数据集
新缸中之脑
06-03 2280
本文介绍10个用于机器学习训练的几何数据集。
Brep2Seq 【浅读】
bettle_king的博客
04-03 1109
这篇论文介绍了一种名为Brep2Seq的新深度学习网络。该网络专注于三维（3D）重建，这是计算机辅助设计（CAD）领域的一个重要研究课题，旨在从原始形状（包括点云、体素、网格和边界表示（B-rep））恢复可编辑的CAD模型。近年来，由于深度学习方法潜力的不断提升，深度模型生成受到了相当大的研究兴趣。为了应对3D重建和生成的挑战，作者提出了Brep2Seq，这是一种新颖的深度神经网络，旨在将B-rep模型转换为一系列可编辑的基于特征的建模操作序列，包括主要原语和详细特征。
ResNet、ResNeXt网络详解及复现
WGS.
09-04 552
ResNet、ResNeXt网络详解及复现
多模态RAG：段、表、图定位解析+数字转统计图型
m0_59164304的博客
05-06 995
多模态知识可以从知识库中不同粒度的信息中获取，包括单个文档内的局部片段、文档内的跨片段引用，甚至跨文档的知识集合。因此，如何有效地解析、索引和组织外部知识库中的多模态文档，在很大程度上会影响模型对目标多模态知识的利用，从而决定端到端性能。MRAG 中的文档解析方法大致分为两种：基于提取的方法和基于表示的方法基于表示的方法不需要显式提取多模态信息。DocFormer预训练方案基于提取的方法存在一些固有的局限性1、解析过程耗时，涉及多个步骤，并且需要针对不同类型的文档使用不同的模型；
[代码复现]BrainGNN: Interpretable Brain Graph Neural Network for fMRI Analysis
Sherlily的博客
01-14 3159
代码复现
[代码复现]FBNETGEN: Task-aware GNN-based fMRI Analysis via Functional Brain Network Generation
Sherlily的博客
02-07 915
代码复现
GNN小模型python代码
08-28
在Python中，特别是使用PyTorch Geometric (PyG)库来构建图神经网络（GNN）的小模型，通常会涉及到一些关键步骤，比如数据预处理、定义模型结构、训练和评估。下面是一个简单的GNN模型（如GCN或GraphSAGE）的示例： ```python import torch from torch_geometric.nn import GCNConv class SimpleGNN(torch.nn.Module): def __init__(self, in_channels, hidden_channels, out_channels): super(SimpleGNN, self).__init__() self.conv1 = GCNConv(in_channels, hidden_channels) self.conv2 = GCNConv(hidden_channels, out_channels) def forward(self, x, edge_index): x = F.relu(self.conv1(x, edge_index)) # 首层GCN x = self.conv2(x, edge_index) # 第二层GCN return F.log_softmax(x, dim=1) # 输出层通常用softmax处理分类任务 # 使用模型 model = SimpleGNN(in_channels=16, hidden_channels=32, out_channels=10) # 假设输入特征有16维 x = torch.randn(100, 16) # 数据节点的特征 edge_index = torch.LongTensor([[0, 1], [1, 2]]) # 两个节点之间的边 output = model(x, edge_index) ``` 在这个例子中，`in_channels`指输入特征的数量，`hidden_channels`和`out_channels`分别是隐藏层和输出层的神经元数量。`forward`函数描述了网络的前向传播过程。 注意：这只是一个基础示例，实际应用中可能还需要添加更多的功能，如损失函数、优化器、以及训练循环等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值