用于输出3D模型的变分自动编码器制造技术

本发明专利技术特别涉及一种计算机实现的机器学习方法。该方法包括为神经网络提供变分自动编码器(VAE)架构，该神经网络被配置为将2D草图和随机变量作为输入，并输出由2D草图表示的3D模型。机器学习方法还包括学习神经网络。机器学习方法还包括学习神经网络。机器学习方法还包括学习神经网络。

【技术实现步骤摘要】
用于输出3D模型的变分自动编码器


[0001]本公开涉及计算机程序和系统的领域，并且更具体地涉及与神经网络相关的方法、程序、数据结构和系统，该神经网络被配置为将2D草图作为输入，并输出由2D草图表示的3D模型。

技术介绍

[0002]市场上提供了许多用于对象的设计、工程和制造的系统和程序。CAD是计算机辅助设计的首字母缩略词，例如它涉及用于设计对象的软件解决方案。CAE是计算机辅助工程的首字母缩略词，例如它涉及用于模拟未来产品的物理行为的软件解决方案。CAM是计算机辅助制造的首字母缩略词，例如它涉及用于定义制造过程和操作的软件解决方案。在这种计算机辅助设计系统中，图形用户界面在技术效率方面起着重要的作用。这些技术可能嵌入在产品生命周期管理(PLM)系统中。PLM指的是一种商业战略，其帮助企业共享产品数据，应用通用流程，并利用企业知识进行从概念到产品生命尽头的跨越扩展企业概念的产品开发。达索系统(Dassault Syst
è
mes)(以CATIA、ENOVIA和DELMIA为商标)提供的PLM解决方案提供了一个组织产品工程知识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机实现的机器学习方法，包括：
‑
为神经网络提供变分自动编码器(VAE)架构，所述神经网络被配置为：将2D草图和随机变量作为输入，并且输出由所述2D草图表示的3D模型；以及
‑
学习所述神经网络。2.如权利要求1所述的机器学习方法，其中，所述神经网络包括：
‑
第一部分，其被配置为：将所述2D草图和所述随机变量作为输入，并且提供相应的输出，以及
‑
第二部分，其被配置为：将所述第一部分的所述相应的输出作为输入，并且输出所述3D模型。3.如权利要求2所述的机器学习方法，其中，所述第一部分包括：
‑
第一子部分，其被配置为：将所述2D草图作为输入，并且输出第一潜在向量，以及
‑
第二子部分，其被配置为：取得所述第一潜在向量和所述随机变量，并且用所述随机变量将所述第一潜在向量重新参数化为第二潜在向量。4.如权利要求3所述的机器学习方法，其中，所述第二子部分被配置为执行以下操作：输出＝μ+δ*ε其中：
■
输出表示所述第二潜在向量，
■
ε表示所述随机变量，
■
μ表示所述第二潜在向量的条件均值，并且
■
δ表示所述第二潜在向量的条件标准差。5.如权利要求4所述的机器学习方法，其中：
‑
所述随机变量遵循符合由均值和标准差定义的定律(N(.,.))的概率分布，所述随机变量具有针对所述均值的相应值(0)和针对所述标准差的相应值(1)，并且
‑
所述学习包括优化包括损失的目标函数，所述损失惩罚以下两项之间的差异：
■
符合由μ和δ定义的所述定律的概率分布(N(μ,δ))，以及
■
符合这样的定律的概率分布(N(0,1))：所述定律是由所述随机变量的针对所述均值的所述相应值以及所述随机变量的针对所述标准差的所述相应值定义的。6.如权利要求1至5中任一项所述的机器学习方法，其中，所述3D模型由截面和挤出定义，所述截面由位置参数的列表定义，并且所述神经网络包括被配置为输出所述列表的值的循环神经网络(RNN)。7.如权利要求6所述的机器学习方法，其中，所述神经网络还被配置为：基于所述RNN的最终状态，输出所述挤出的值。8.如权利要求7所述的机器学习方法，其中，所述截面进一步由表示所述截面的类型的数字定义，所述神经网络进一步被配置为输出表示所述数字的概率分布的向量，并且可选地，输...

【专利技术属性】
技术研发人员：N，
申请(专利权)人：达索系统公司，
类型：发明
国别省市：