FuS-GCN: Efficient B-rep based graph convolutional networks for 3D-CAD
model classification and retrieval(FuS-GCN:用于3D-CAD模型分类和检索的高效B-rep图卷积网络)2023 Advanced Engineering Informatics
摘要
执行三维计算机辅助设计(3D-CAD)模型分类、检索和重用在工业制造中至关重要,因为它大大缩短了工程开发周期并降低了开发成本。虽然现有的3D模型分类和检索方法在网格或点云上都能取得满意的效果,但不能直接应用于3D- cad模型,3D- cad模型一般采用边界表示(B-rep)。为了解决这一问题,并充分利用B-rep的拓扑结构,提出了一种称为B-rep图的图结构描述符来预处理B-rep数据,并从3D-CAD模型中提取精确的拓扑和几何特征。同时,基于图卷积网络(GCNs),设计了一种新的高效神经网络FuS-GCN来处理这些图数据。为了更好地提取图特征,提高池化的效果,在池化层中引入自关注机制和特征融合,提出融合自关注图池化(FuSPool)算法。最后,我们证明了FuS-GCN在3D- cad模型数据上的有效性,同时优于其他3D形状描述符,如点云、体素和网格。
贡献
-
我们提出了一种新的方法来分类和检索基于B-rep的3D-CAD模型,更直观和自然地利用图结构信息。它克服了利用实体模型复杂拓扑和几何结构的挑战,实现了工业制造3D-CAD模型的高效智能重用。
-
我们引入了一种新的基于B-rep数据的3D-CAD模型形状描述符。该描述符将拓扑信息捕获为图,并将几何特征