MétaCan
Menu
Retour à la cohorte
Enregistrement W2125258143 · doi:10.1109/ijcnn.2006.246873

Self-Organizing Feature Map (SOFM) based Deformable CAD Models

2006· article· en· W2125258143 sur OpenAlexaff
P.C. Igwe, George K. Knopf

Notice bibliographique

RevueThe 2006 IEEE International Joint Conference on Neural Network Proceedings · 2006
Typearticle
Langueen
DomaineEngineering
Thématique3D Shape Modeling and Analysis
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésPolygon meshComputer scienceFeature (linguistics)HexahedronPoint (geometry)Artificial intelligenceSurface (topology)Computer visionObject (grammar)Topology (electrical circuits)Solid modelingAlgorithmGeometryComputer graphics (images)Finite element methodMathematicsEngineering

Résumé

récupéré en direct d'OpenAlex

An adaptive modeling approach that uses a self-organizing feature map (SOFM) to create deformable hexahedral meshes for interactive geometric modeling is presented in this paper. The technique uses the nodes of a three-dimensional SOFM to represent discrete point masses that comprise a solid object. Although the geometry of the resultant mass-spring mesh will change under the influence of inputs applied through a haptic tool and interface, the relative connectivity of neighboring nodes in the time-varying mesh are maintained under the external and internal forces. The initial mesh can either be retrieved from a library of primitive shapes, or created by automatically fitting the topology preserving SOFM to selected surface points. The designer reshapes the virtual object by applying external forces and pressure to the initial mesh. The accuracy of the system depends on the mathematical equations used in formulating the model behavior. The model behavior can be altered by changing the material properties in the underlying mathematical equation. Examples of shape deformation are provided to illustrate the concepts introduced.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,286
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,025
Tête enseignante GPT0,213
Écart entre enseignants0,188 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe 2006 IEEE International Joint Conference on Neural Network ProceedingsMême sujet3D Shape Modeling and AnalysisTravaux en français237 207