JP2017208092A - 記述子を使用して３ｄアイテムのデータベースを検索する方法及び装置 - Google Patents

Abstract

【課題】記述子を使用してデータベースを検索する方法及び装置を提供する。
【解決手段】記述子は、データベースアイテム、又はモデル若しくはオブジェクトの画像から抽出された特徴量ベクトルの各々を含むベクトル列を有し、好ましくは、アイテム、又はモデル若しくはオブジェクトの寸法特徴量を表す、寸法に関連する特徴量も有する。３Ｄコンピュータ生成モデルについての記述子は、複数の軸の各々の回りに独立にモデルを完全に回転させることにより、固定視点からのモデルの複数の２Ｄのレンダリングされた画像を得て、各画像から、当該画像の特徴量を表す特徴量ベクトルを抽出することにより、作成される。モデルは、好ましくは、軸のうちの１つ以上の回りに角度ステップずつ回転され、各角度ステップは、各軸に対して同一であり得る。複数の軸は、３つの相互に垂直な軸を含み得る。この場合、各角度ステップは、３０°から４５°までの範囲にある。
【選択図】図４

Description

本発明は、合致が見出される対象の、３Ｄアイテムのデータベース内の各アイテムと３Ｄコンピュータ生成モデル又は３Ｄ物理オブジェクトとについて作成されている記述子を使用する、上記データベースを検索する方法及び装置に関する。

この２０年において、３Ｄモデルについての記述子（すなわち、識別タグ）の自動作成とモデルデータベース内の類似する３Ｄモデルを見つけるためのそれら記述子の使用とにおける活発な研究がされている。以前に提案された記述子は、以下の２つのカテゴリに大まかに分類され得る：
１．ＣＡＤ、メッシュデータ、ポイントクラウド等といった、直接的に３Ｄデータを使用する形状記述子
２．３Ｄ形状の１つ以上の２Ｄ投影を使用することにより、３Ｄモデルの形状のみを使用する形状記述子

記述子の上述した２番目のカテゴリは、特に、畳み込みニューラルネットワーク等の深層学習ネットワークとともに使用されるときには、上述した１番目のカテゴリより性能が優れていることが示されている。これは、以下の２つの主な理由による：
１．投影ベースの記述子は、人間の知覚に非常に類似する方法で形状の類似度を評価する：すなわち、２つの３Ｄモデルが全ての角度から類似して見えるときに限り、２つの３Ｄモデルは類似する。
２．画像認識のための深層学習ネットワークは、３Ｄモデルと比較して利用可能な画像（ラベル付けされるものとラベル付けされないものとの両方）のはるかに大きな量を主に理由として、３Ｄオブジェクト認識のための深層学習ネットワークよりもはるかに成熟している。

加えて、投影ベースの方法は、データへの直接アクセスを必要とせず、レンダリングされた形でのみデータにアクセスするので、データ形式及びその品質に依存しない。

１つの以前に提案された投影ベースの記述子は、３Ｄモデルが全て直立方向であるという仮定に基づくが、これは、例えば機械ＣＡＤに由来するモデルには当てはまらないことが多い。さらに、この以前に提案された投影ベースの記述子を作成する際に使用されるレンダリングプロセスは、寸法情報を失わせる。なぜならば、全ての画像が同じ解像度を有し、レンダリングされるモデルが、フィットするようにスケーリングされるからである。結果として、形状においては類似して見えるがサイズにおいては実際には非常に異なるモデルが、良好な合致として生じることになる。

より汎用的な記述子とこの記述子を使用する検索システムとを提供することが望ましい。

本発明の第１の態様の一実施形態に従うと、３次元（３Ｄ）コンピュータ生成モデルについての記述子を作成する、コンピュータにより実施される方法であって、
複数の異なる軸の各々の回りに独立に前記３Ｄコンピュータ生成モデルを完全に回転させることにより、固定された視点からの前記３Ｄコンピュータ生成モデルの複数の２次元（２Ｄ）のレンダリングされた画像を得るステップと、
各２Ｄのレンダリングされた画像から、当該２Ｄのレンダリングされた画像の特徴量を表す特徴量ベクトルを抽出するステップであって、前記記述子は、前記の抽出された特徴量ベクトルの各々を含むベクトル列（vector string）を有する、ステップと、
を含む、方法が提供される。

本発明の第１の態様を具現化する方法は、３Ｄコンピュータ生成モデルについての正確な３Ｄ記述子を作成する完全に自動的で汎用的なやり方を提供することができる。この記述子は、モデルの形状と、モデルの幾何学配置（geometry）を記憶するために使用されているＣＡＤデータ形式と、に対して不変である。この記述子は、並進に対しても不変であり、ほとんどの場合、回転に対しても不変である。

有利なことに、前記記述子は、前記３Ｄコンピュータ生成モデルの寸法特徴量をそれぞれ表す、寸法に関連する１つ以上の特徴量をさらに有してもよい。これは、検索の対象であるモデルとサイズにおいて適合しない、データベース内のモデルが、検索結果から除外されることを可能にする。

本発明の一実施形態において、前記３Ｄコンピュータ生成モデルは、好ましくは、０より大きい大きさの角度ステップずつ前記複数の異なる軸のうちの１つ以上の回りに回転される。前記角度ステップは、好ましくは、各軸に対して同一である。これは、計算コストを低減させる。

好ましくは、単純さのために、前記複数の異なる軸は、３つの相互に垂直な軸を含む。この場合、各角度ステップは、効果的には、３０°から４５°までの範囲にある。これは、計算コストと正確さとの間の良好なバランスが実現されることを可能にする。

本発明の第２の態様の一実施形態に従うと、３次元（３Ｄ）オブジェクトについての記述子を作成する、コンピュータにより実施される方法であって、
前記３Ｄオブジェクトの少なくとも１つの２次元（２Ｄ）の画像を得るステップと、
各２Ｄの画像から、当該２Ｄの画像の特徴量を表す特徴量ベクトルを抽出するステップと、
を含み、
１つの２Ｄの画像のみが存在する場合、前記記述子は、前記の抽出された特徴量ベクトルを有し、２つ以上の２Ｄの画像が存在する場合、前記記述子は、前記の抽出された特徴量ベクトルの各々を含むベクトル列を有し、
前記記述子は、前記３Ｄオブジェクトの寸法特徴量をそれぞれ表す、寸法に関連する１つ以上の特徴量をさらに有する、方法が提供される。

３Ｄオブジェクトの１つの又は少しの（few）ビュー（views）のみが、ＣＡＤモデル全体の幾何学配置の代わりに利用可能な場合等、低減された情報しかなくても、このような方法を使用することができる。本発明を具現化する方法は、少しの写真のみからでも、また、スケッチからでも、良好な合致を提供することができるが、この場合、作成される記述子の正確さは、低減され得る。また、上記で示されたように、この方法は、検索の対象であるモデルとサイズにおいて適合しない、データベース内のモデルが、検索結果から除外されることを可能にする。

本発明の第１の態様及び第２の態様を具現化する方法は、有利なことに、深層ニューラルネットワークを使用して、２Ｄの画像から各特徴量ベクトルを抽出してもよい。

本発明の第３の態様の一実施形態に従うと、指定された３次元（３Ｄ）オブジェクト又は指定された３Ｄコンピュータ生成モデルとの類似度について３Ｄアイテムのデータベースを検索するための、コンピュータにより実施される検索する方法であって、
前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルに関連付けられた記述子の１つ以上の特徴量ベクトルと、前記データベース内の前記３Ｄアイテムに関連付けられた記述子の特徴量ベクトルと、を使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと前記データベース内の１つ以上の３Ｄアイテムとの間の類似の程度を確認する類似度評価プロセス
を含み、
前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の各々は、本発明の第１の態様又は第２の態様を具現化する方法に従って作成されたものであり、前記指定された３Ｄオブジェクトに関連付けられた前記記述子は、本発明の第２の態様を具現化する方法に従って作成されたものであり、あるいは、前記指定された３Ｄコンピュータ生成モデルに関連付けられた前記記述子は、本発明の第１の態様を具現化する方法に従って作成されたものである、方法が提供される。

このような方法を使用して、３Ｄアイテム（３Ｄモデル又は物理オブジェクトの表現）の大きなデータベースに対する高速で正確な検索を実行することができる。なぜならば、これは、２つの３Ｄオブジェクトが類似すると人間が判断する方法を模倣し、複数の角度から得られた画像からの情報を使用するからである。

前記類似度評価プロセスは、好ましくは、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと前記データベース内の前記３Ｄアイテムとの前記記述子の寸法に関連する特徴量を使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルとサイズにおいて適合しない、前記データベース内の３Ｄアイテムを特定するステップを含む。

前記類似度評価プロセスは、
前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルに関連付けられた前記記述子の前記１つ以上の特徴量ベクトルを使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルについて特徴量行列ｆＭ_ｓを作成するステップと、
前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の前記特徴量ベクトルを使用して、前記データベース内の各３Ｄアイテムについて特徴量行列ｆＭ_ｄを作成するステップと、
前記データベース内の前記３Ｄアイテムについて作成された前記特徴量行列ｆＭ_ｄを付加して、データベース行列ｄＭを作成するステップと、
前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルについての前記特徴量行列ｆＭ_ｓと前記データベース行列ｄＭとを使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルに関連付けられた前記記述子の各特徴量ベクトルと、前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の各特徴量ベクトルと、の間の距離を示す類似度行列ｓＭを算出するステップと、
前記類似度行列ｓＭから類似度ベクトルｓＶを導出するステップであって、前記類似度ベクトルｓＶは、長さＤＳを有し、前記類似度ベクトルのｊ番目の要素は、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと、前記データベース内のｊ番目のアイテムと、の間の類似度を表す、ステップと、
を含んでもよい。

このような類似度評価プロセスにおいて、
前記特徴量行列ｆＭ_ｓの行の数ＮＲ_ｓは、特徴量ベクトルの数と同じであり、前記特徴量行列ｆＭ_ｓの列の数ＮＣ_ｓは、前記１つ以上の特徴量ベクトルにおける特徴量の数と同じであり、前記特徴量行列ｆＭ_ｓのｉ番目の行は、前記記述子のｉ番目の特徴量ベクトルに対応し、
前記特徴量行列ｆＭ_ｄの行の数ＮＲ_ｄは、前記データベース内の該当する３Ｄアイテムに関連付けられた前記記述子における特徴量ベクトルの数と同じであり、前記特徴量行列ｆＭ_ｄの列の数ＮＣ_ｄは、前記データベース内の該当する３Ｄアイテムに関連付けられた前記記述子における各特徴量ベクトルにおける特徴量の数と同じであり、前記特徴量行列ｆＭ_ｄのｉ番目の行は、前記データベース内の該当する３Ｄアイテムに関連付けられた前記記述子のｉ番目の特徴量ベクトルに対応し、
前記データベース行列ｄＭにおける行の数は、ＤＳ＊ＮＲ_ｄであり、ＤＳは、前記データベース内のアイテムの総数であり、前記データベース行列ｄＭにおける列の数は、ＮＣ_ｄである。

本発明の第４の態様の一実施形態に従うと、コンピュータ上で実行されたときに前記コンピュータに本発明の第１の態様、第２の態様、及び／又は第３の態様を具現化する方法を実行させるコンピュータプログラムが提供される。

本発明の第５の態様の一実施形態に従うと、３次元（３Ｄ）コンピュータ生成モデルについての記述子を作成するよう構成されている記述子作成装置であって、
複数の異なる軸の各々の回りに独立に前記３Ｄコンピュータ生成モデルを完全に回転させることにより、固定された視点からの前記３Ｄコンピュータ生成モデルの複数の２次元（２Ｄ）のレンダリングされた画像を得るよう構成されている画像レンダリング部と、
各２Ｄのレンダリングされた画像から、当該２Ｄのレンダリングされた画像の特徴量を表す特徴量ベクトルを抽出するよう構成されている特徴量ベクトル抽出部と、
前記の抽出された特徴量ベクトルの各々を含むベクトル列を組み立てることにより前記記述子を形成するよう構成されている記述子組み立て部と、
を有する、記述子作成装置が提供される。

本発明の第５の態様を具現化する装置は、３Ｄコンピュータ生成モデルについての正確な３Ｄ記述子を作成することができる。この記述子は、モデルの形状と、モデルの幾何学配置を記憶するために使用されているＣＡＤデータ形式と、に対して不変である。この記述子は、並進に対しても不変であり、ほとんどの場合、回転に対しても不変である。

前記記述子組み立て部は、好ましくは、さらに、前記３Ｄコンピュータ生成モデルの寸法特徴量をそれぞれ表す、寸法に関連する１つ以上の特徴量を、前記記述子に含めるよう構成されている。これは、検索の対象であるモデルとサイズにおいて適合しない、データベース内のモデルが、検索結果から除外されることを可能にする。

有利なことに、前記画像レンダリング部は、０より大きい大きさの角度ステップずつ前記複数の異なる軸のうちの１つ以上の回りに前記３Ｄコンピュータ生成モデルを回転させるよう動作可能であってもよい。好ましくは、前記角度ステップは、各軸に対して同一である。

前記複数の異なる軸は、好ましくは、３つの相互に垂直な軸を含む。この場合、各角度ステップは、好ましくは、３０°から４５°までの範囲にある。これは、計算コストと正確さとの間の良好なバランスが実現されることを可能にする。

本発明の第６の態様の一実施形態に従うと、３次元（３Ｄ）オブジェクトについての記述子を作成するよう構成されている記述子作成装置であって、
前記３Ｄオブジェクトの１つ以上の２次元（２Ｄ）の画像の各２Ｄの画像から、当該２Ｄの画像の特徴量を表す特徴量ベクトルを抽出するよう構成されている特徴量ベクトル抽出部と、
１つの２Ｄの画像のみが存在する場合、前記の抽出された特徴量ベクトルから前記記述子を形成するよう構成されており、２つ以上の２Ｄの画像が存在する場合、前記の抽出された特徴量ベクトルの各々を含むベクトル列を組み立てるよう構成されている記述子組み立て部と、
を有し、
前記記述子組み立て部は、さらに、前記３Ｄオブジェクトの寸法特徴量をそれぞれ表す、寸法に関連する１つ以上の特徴量を、前記記述子に含めるよう構成されている、記述子作成装置が提供される。

このような装置は、３Ｄオブジェクトの１つの又は少しのビューのみが、ＣＡＤモデル全体の幾何学配置の代わりに利用可能な場合等、低減された情報しかなくても、機能することができる。本発明を具現化する装置は、少しの写真のみからでも、また、スケッチからでも、良好な合致を提供することができるが、この場合、作成される記述子の正確さは、低減され得る。また、上記で示されたように、この装置は、検索の対象であるモデルとサイズにおいて適合しない、データベース内のモデルが、検索結果から除外されることを可能にする。

本発明の第５の態様及び第６の態様を具現化する装置は、有利なことに、深層ニューラルネットワークを使用して、２Ｄの画像から各特徴量ベクトルを抽出してもよい。

本発明の第７の態様の一実施形態に従うと、指定された３次元（３Ｄ）オブジェクト又は指定された３Ｄコンピュータ生成モデルとの類似度について３Ｄアイテムのデータベースを検索するよう構成されている検索装置であって、
前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルに関連付けられた記述子の１つ以上の特徴量ベクトルと、前記データベース内の前記３Ｄアイテムに関連付けられた記述子の特徴量ベクトルと、を使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと前記データベース内の１つ以上の３Ｄアイテムとの間の類似の程度を評価するよう構成されている類似度評価部
を有し、
前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の各々は、本発明の第５の態様又は第６の態様を具現化する記述子作成装置により作成されたものであり、前記指定された３Ｄオブジェクトに関連付けられた前記記述子は、本発明の第６の態様を具現化する記述子作成装置により作成されたものであり、あるいは、前記指定された３Ｄコンピュータ生成モデルに関連付けられた前記記述子は、本発明の第５の態様を具現化する記述子作成装置により作成されたものである、検索装置が提供される。

本発明の第７の態様を具現化する装置は、３Ｄアイテム（３Ｄモデル又は物理オブジェクトの表現）の大きなデータベースに対する高速で正確な検索を実行することができる。なぜならば、これは、２つの３Ｄオブジェクトが類似すると人間が判断する方法を模倣し、複数の角度から得られた画像からの情報を使用するからである。

前記類似度評価部は、さらに、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと前記データベース内の前記３Ｄアイテムとの前記記述子の寸法に関連する特徴量を使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルとサイズにおいて適合しない、前記データベース内の３Ｄアイテムを特定するよう構成されていてもよい。

前記類似度評価部は、
前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルに関連付けられた前記記述子の前記１つ以上の特徴量ベクトルを使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルについて特徴量行列ｆＭ_ｓを作成するよう構成されている特徴量行列生成部であって、前記特徴量行列ｆＭ_ｓの行の数ＮＲ_ｓは、特徴量ベクトルの数と同じであり、前記特徴量行列ｆＭ_ｓの列の数ＮＣ_ｓは、前記１つ以上の特徴量ベクトルにおける特徴量の数と同じであり、前記特徴量行列ｆＭ_ｓのｉ番目の行は、前記記述子のｉ番目の特徴量ベクトルに対応する、特徴量行列生成部と、
データベース行列生成部であって、
（ａ）前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の前記特徴量ベクトルを使用して、前記データベース内の各３Ｄアイテムについて特徴量行列ｆＭ_ｄを作成するよう構成されており、ここで、そのような各特徴量行列ｆＭ_ｄにおいて、当該特徴量行列ｆＭ_ｄの行の数ＮＲ_ｄは、前記データベース内の該当する３Ｄアイテムに関連付けられた前記記述子における特徴量ベクトルの数と同じであり、当該特徴量行列ｆＭ_ｄの列の数ＮＣ_ｄは、前記データベース内の該当する３Ｄアイテムに関連付けられた前記記述子における各特徴量ベクトルにおける特徴量の数と同じであり、当該特徴量行列ｆＭ_ｄのｉ番目の行は、前記データベース内の該当する３Ｄアイテムに関連付けられた前記記述子のｉ番目の特徴量ベクトルに対応し、
（ｂ）前記データベース内の前記３Ｄアイテムについて作成された前記特徴量行列ｆＭ_ｄを付加して、データベース行列ｄＭを作成するよう構成されており、ここで、前記データベース行列ｄＭにおける行の数は、ＤＳ＊ＮＲ_ｄであり、ＤＳは、前記データベース内のアイテムの総数であり、前記データベース行列ｄＭにおける列の数は、ＮＣ_ｄである、
データベース行列生成部と、
前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルについての前記特徴量行列ｆＭ_ｓと前記データベース行列ｄＭとを使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルに関連付けられた前記記述子の各特徴量ベクトルと、前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の各特徴量ベクトルと、の間の距離を示す類似度行列ｓＭを算出するよう構成されている類似度行列生成部と、
前記類似度行列ｓＭから類似度ベクトルｓＶを導出するよう構成されている類似度ベクトル生成部であって、前記類似度ベクトルｓＶは、長さＤＳを有し、前記類似度ベクトルのｊ番目の要素は、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと、前記データベース内のｊ番目のアイテムと、の間の類似度を表す、類似度ベクトル生成部と、
を有してもよい。

本発明の第８の態様の一実施形態に従うと、製品を製造する際に使用するための方法であって、
以前に製造された又は製造のために準備された３次元（３Ｄ）アイテムのデータベースを設けるステップであって、前記データベースは、各アイテムに関連付けられた記述子を含み、前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の各々は、本発明の第１の態様又は第２の態様を具現化する方法に従って作成されたものである、ステップと、
製造される製品を指定する情報を受信するステップであって、前記情報は、前記製品の幾何学配置を指定する幾何学情報を含む、ステップと、
本発明の第１の態様又は第２の態様を具現化する方法に従って、前記製品の前記幾何学情報から記述子を導出するステップと、
本発明の第３の態様を具現化する検索する方法を使用して、前記データベースを検索して、前記データベース内のアイテムと、製造される前記製品と、の間の類似の程度を確認するステップと、
前記データベース内のどのアイテムが、製造される前記製品に最も類似するかを判定するステップと、
製造される前記製品に最も類似すると判定されたアイテムの製造に関連付けられた製造プロセスに関連する記憶されている製造プロセス情報を取得し、前記の取得された製造プロセス情報を使用して、前記製品を製造するステップと、
を含む、方法が提供される。

一実施形態に従った、検索する方法又は検索装置を使用するシステムを用いて、３Ｄアイテムのデータベースが、製造される製品に類似する何らかのアイテムを含んでいるかどうかを判定することができる。この場合、アイテムに関連してデータベースに記憶されているさらなるパラメータは、アイテムの製造材料であり得、これも、アイテムが製品にどれだけ類似するかを決定するときに考慮され得る。データベース内の２つ以上のアイテムが、製品に類似するものとして特定された場合、これらのアイテムは、どのアイテムが製品に最も類似するかを判定するために、例えば、製品との類似の程度に従ってランク付けされ得る。製品に類似する（又は、最も類似する）とみなされるアイテムの以前に記憶された詳細を使用して、システムのユーザに、製品を製造するために使用する最良の製造プロセスに関する推奨、並びに／又は、製造するのに製品にどれだけのコストがかかるか及び／若しくは納期に関する見積もりを提供することができる。

例として添付の図面が参照される。
入力３Ｄモデルに類似する、３Ｄモデルデータベース内の３Ｄモデルを見つけるプロセスを示す図。 １つ以上の画像として入力された３Ｄオブジェクトに類似する、３Ｄモデルデータベース内の３Ｄモデルを見つけるプロセスを示す図。 本発明を具現化する記述子作成装置の図。 本発明の一実施形態に従った、３Ｄモデルについての記述子を作成するプロセスのフローチャート。 ３Ｄオブジェクトを複数の画像にレンダリングするプロセスのフローチャート。 画像を特徴量ベクトルに変換するプロセスのフローチャート。 図３のプロセスに従って作成された組み立てられた記述子を示す図。 類似度評価部の図。 入力３Ｄモデル又は指定された３Ｄモデルに類似する、３Ｄモデルデータベース内の３Ｄモデルを見つけるプロセスのフローチャート。 ３Ｄモデルの画像がどのように得られるかの例を説明するのに使用するための図。 入力モデルに類似する３Ｄモデルがどのように見つけられるかの例を説明するのに使用するための図。 一実施形態に従ったシステムの図。 本発明を具現化する方法を実行するのに適したコンピューティングデバイスのブロック図。

記述子が必要とされる対象の入力は、以下のいずれかであり得る：
１．サポートされている幾何学フォーマット（geometry format）で与えられる、物理オブジェクトのフル３Ｄモデル；又は
２．写真又は図面等の、物理３Ｄオブジェクトの１つの又は少しの画像（ビュー）のみ

図１に示されるように、フル３Ｄモデルの入力と３Ｄモデルのデータベースとが与えられると、本発明の一実施形態は、形状において入力３Ｄモデルに最も類似する、データベース内の３Ｄモデルを見つけて出力する。この検索は、所与のＮＭ（ＮＭは正の整数）に対して、最も類似するＮＭ個のモデル、又は、所与のＳＴに対して、所与の類似度基準閾値ＳＴを超える類似度を有する全てのモデル、のいずれかを出力するよう構成され得る。

図２は、図１のプロセスに類似するプロセスを示しているが、これは、入力が、仮想３Ｄモデルではなく実際には物理３Ｄオブジェクトの画像であり得る可能性を考慮するものである。この場合、図１における検索と同じ検索が実行されるが、後でより詳細に説明されるように、入力モデルは、好ましくは異なる角度から得られた、物理３Ｄオブジェクトの１つ以上の画像の形態である。

図３Ａは、３次元（３Ｄ）コンピュータ生成モデルについての記述子を作成するよう構成されている、本発明を具現化する記述子作成装置１０を示している。コンピュータプロセッサを有することができる装置１０は、画像レンダリング部１１、特徴量ベクトル抽出部１２、及び記述子組み立て部１３を有する。画像レンダリング部１１は、複数の異なる軸の各々の回りに独立にモデルを完全に回転させることにより、固定された視点からのモデルの複数の２次元（２Ｄ）のレンダリングされた画像を得るよう構成されている。深層ニューラルネットワークを有することができる特徴量ベクトル抽出部１２は、各２Ｄのレンダリングされた画像から、当該２Ｄのレンダリングされた画像の特徴量を表す特徴量ベクトルを抽出するよう構成されている。記述子組み立て部１３は、抽出された特徴量ベクトルの各々を含むベクトル列を組み立てることにより記述子を形成するよう構成されている。組み立てられた記述子は、内部又は外部の記憶部２０に記憶される。

本発明の一実施形態に従った、フル３Ｄモデルを含む入力についての３Ｄ記述子の作成が、図３Ｂのフローチャートを参照してこれより説明される。フル３Ｄモデルは、三角形分割（例えば、ＳＴＬ又はＯＢＪ）又は解析（例えば、ＳＴＥＰ、ＩＧＥＳ）のいずれかである標準フォーマットで記憶されると仮定する。そのようなフォーマットが、多くのソフトウェアライブラリを使用して、読み込まれレンダリングされ得る。そのようなソフトウェアライブラリの２つの例は、ＯｐｅｎＳＣＡＤ（http://www.openscad.org/）及びＯｐｅｎＣＡＳＣＡＤＥ（http://www.opencascade.com/）である。

ステップＳ３１において、３Ｄモデルがプロセッサに読み込まれた後、レンダリングエンジン（画像レンダリング部１１）を使用して、３Ｄモデルの１つ以上のビュー（画像）を作成する（ステップＳ３２）。このような画像を作成するプロセスが、図４のフローチャートに示されており、これより説明される。

図４のプロセスは、この例ではＸＹＺ座標系の全ての３つの軸である複数の異なる軸の回りに独立に３Ｄモデルを回転させながら、画像をレンダリングすることを含む。最初に、画像がレンダリングされる起点となる視点（「仮想カメラ」）が、３Ｄモデルの重心に向くように配置され（ステップＳ４１）、３Ｄモデルの最初の画像がレンダリングされる（ステップＳ４２）。次いで、３Ｄモデルが、Ｘ軸に対して角度ステップＤＸずつ０°から３６０°まで回転され、画像が、各ステップでレンダリングされ、画像１，画像２，・・・，画像ＮＸが得られる（ステップＳ４３）。次いで、３Ｄモデルが、Ｙ軸に対して角度ステップＤＹずつ０°から３６０°まで回転され、画像が、各ステップでレンダリングされ、画像ＮＸ＋１，画像ＮＸ＋２，・・・，画像ＮＸ＋ＮＹが得られる（ステップＳ４４）。最後に、３Ｄモデルが、Ｚ軸に対して角度ステップＤＺずつ０°から３６０°まで回転され、画像が、各ステップでレンダリングされ、画像ＮＸ＋ＮＹ＋１，画像ＮＸ＋ＮＹ＋２，・・・，画像ＮＸ＋ＮＹ＋ＮＺが得られる（ステップＳ４５）。角度ステップＤＸ、ＤＹ、ＤＺは、好ましくは、３０°から４５°までの範囲にあり、効果的には、ＤＸ＝ＤＹ＝ＤＺである。

この回転プロセスの効果は、３Ｄモデルから抽出される情報の量を増大させることと、記述子が、オブジェクトの回転に対して完全に又は実質的に不変であることを確実にすることと、の両方である。多くの実際的用途に関して、この方法は、完全に回転不変である。なぜならば、ほとんどのＣＡＤモデルに関して、３Ｄモデルの方向は、軸のうちに１つに整列されるからである。本出願において提案する記述子は、レンダリングを実行するときに非常に小さな回転角度が使用される全ての場合において、完全に回転不変であるだろうが、これは、多くの計算リソースを必要とするであろう。したがって、回転不変性の小さな低減と引き換えに、より少ない計算リソースしか必要とされないように、より大きな回転ステップが使用される。機械設計に由来する３Ｄ ＣＡＤモデルに関して、回転増分又はステップＤＸ＝ＤＹ＝ＤＺ＝４５度は、計算要件と正確さとの間の良好なバランスを提供することが見出された。これは、１つの３Ｄモデルにつき２２個の画像をもたらす結果となる。

図３Ｂのプロセスに戻ると、ステップＳ３３において、深層ニューラルネットワーク（特徴量抽出部１２）を使用して、各レンダリングされた画像から特徴量を抽出する。このタスクに非常に適した深層ニューラルネットワークの例は、ＡｌｅｘＮｅｔ（Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton. "Imagenet classification with deep convolutional neural networks." Advances in neural information processing systems, 2012）及びＧｏｏｇＬｅＮｅｔ（Szegedy, Christian, et al. "Going deeper with convolutions." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015）であるが、他のネットワークが代わりに使用されてもよい。

特徴量抽出は、図５に示されるプロセスに従い得る。Ｉ個の画像が存在すると仮定する。ステップＳ５１及びステップＳ５２において、最初の画像を読み込んだ後、画像がニューラルネットワークと適合するように、リスケーリング（rescaling）、平均抽出、又は色チャネルスワッピング（colour channel swapping）等の前処理動作が、通常適用される（ステップＳ５３）。いずれかの必要とされる前処理の後の画像データが、深層ニューラルネットワークの入力層（データ層とも呼ばれる）に配置され、通常はニューラルネットワークにおける最後の層又は最後から２番目の層である指定された出力層Ｌに達するまで、ニューラルネットワークを通って順伝播される（ステップＳ５４）。層Ｌにおける値のベクトルが、入力画像に関連付けられた特徴量ベクトルとして出力される（ステップＳ５５）。ベクトルは正規化されることが好ましい。ステップＳ５２〜ステップＳ５５の特徴量抽出プロセスは、入力モデルの全てのＩ個の画像についての特徴量ベクトルが得られるまで（ステップＳ５６及びステップＳ５７）、繰り返される。

図３Ｂに戻ると、ステップＳ３４において、オブジェクトの寸法に関連する複数の追加の特徴量が算出される。これらの特徴量の例は以下である：
・バウンディングボックスの最小寸法及び最大寸法
・表面積
・体積

最後に、３Ｄモデルの全ての特徴量ベクトルとその寸法特徴量とが組み合わされて、３Ｄモデルについての１つの記述子にされる（ステップＳ３５）。そのような記述子の例が、図６に示されている。

（ほとんどの場合そうであるように）記述子が回転不変であるときには、画像についての特徴量ベクトルの順序は重要ではない。また、計算効率性のために、全ての画像についての特徴量ベクトルは、結合されて、１つの連続ベクトルとして記憶されるのに対し、寸法特徴量は、別個のベクトルとして記憶されることが好ましい場合がある。

一例として、ねじの３Ｄ ＣＡＤモデルに関する記述子の作成が、これより説明される。図８に示されるように、モデルが、回転増分ＤＸ＝ＤＹ＝ＤＺ＝４５度を使用して、全ての３つの軸の回りに独立に回転されて、ねじの２２個の画像が生成されている。ねじは回転対称であるので、これらの画像のうちのいくつかは同一である。

各画像に対して、ＧｏｏｇＬｅＮｅｔ深層ニューラルネットワークを使用して、特徴量ベクトルを抽出する。最初に、各入力画像が、２５６ｘ２５６画素にリサイズされ、画素平均が抽出され、データが、ニューラルネットワークの入力層（データ層）に配置される。データが、ニューラルネットワークを通って順伝播され、層「ｐｏｏｌ５／７ｘ７＿ｓ１」（最後から２番目の層）の値が、長さ１０２４のベクトルとして抽出される。したがって、各画像は、１０２４個の値からなる特徴量ベクトルに変換される。モデルの総表面積及びバウンディングボックスの寸法（３つの値）が、寸法特徴量として抽出される。したがって、合計では、組み立てられた記述子（全ての画像の特徴量ベクトル及び寸法特徴量）は、２２＊１０２４＋４＝２２５３２個の値の長さを有する。

上述したように、図３Ｂの方法は、入力アイテムがフル３Ｄモデルである場合における記述子の作成に関する。物理３Ｄオブジェクトの画像のみが提供される場合、記述子作成プロセスは、図５のプロセスを使用して、画像から特徴量ベクトルを抽出することと、抽出された特徴量ベクトルを、寸法に関連する特徴量に付加することと、を含む。これらの画像に対する前処理ステップ（例えば、クロッピング、センタリング等）が、特徴量抽出の前に必要とされることもある。この場合、寸法情報は、抽出するのがより難しい。なぜならば、フル３Ｄモデルは利用可能でないからである。バウンディングボックスのサイズ情報等の限定された特徴量のセットを抽出する１つの可能な方法は、１つ以上の画像を作成するときに、オブジェクトに隣接して、既知のサイズの較正ターゲットを含めることによるものである。別の可能な方法は、例えば、設定可能なフィルタの形態で、寸法情報を手動で提供することである。これは、１つの又は少しの画像のみから作成されるので、この場合、記述子は、不完全である（且つ回転不変でない）。画像において取得されるオブジェクトの特徴量が多いほど、作成される記述子はより良くなる。

３Ｄコンピュータ生成モデルを含むアイテムのデータベースに関して、図３Ｂに示されるプロセスが、各３Ｄモデルについての、図６に示される記述子等の記述子を作成してお記憶するために実行される。データベース内のアイテムが、コンピュータにより生成されたものではない場合、すなわち、物理オブジェクトの他の表現である場合、上述した変更された記述子作成プロセスが、記述子を作成するために使用されるであろう。したがって、各場合において、３Ｄ記述子のデータベースが作成される。記憶される記述子が３Ｄコンピュータ生成モデルに関連する場合、３Ｄデータが、これらのモデルに利用可能であるので、全てのそのような記述子が回転不変になるであろう。

３Ｄアイテムデータベースについての記述子が作成されると、入力モデル又はオブジェクトに類似する３Ｄアイテムを見つけるために、データベースをクエリすることができる。図７Ａに示される類似度評価部３０を有する検索装置が、図７Ｂに示される検索プロセス又は類似度評価プロセスを実行する。類似度評価部３０は、特徴量行列生成部３１、データベース行列生成部３２、類似度行列生成部３３、類似度ベクトル生成部３４、及び寸法フィルタ部３５を有し、指定された３Ｄオブジェクト／モデルに関連付けられた記憶されている記述子の１つ以上の特徴量ベクトルと、データベース内の３Ｄアイテムに関連付けられた記憶されている記述子の特徴量ベクトルと、を使用して、指定された３Ｄオブジェクト／モデルとデータベース内の１つ以上の３Ｄアイテムとの間の類似の程度を評価するよう構成されている。

特徴量行列生成部３１により実行される、図７Ｂの検索プロセスの最初のステップは、入力アイテムについての組み立てられた記述子を使用して、特徴量行列ｆＭを作成し、寸法に関連する特徴量を抽出することである（ステップＳ７１）。特徴量行列ｆＭは、レンダリングされたビュー画像と同じ数（ＮＸ＋ＮＹ＋ＮＺ）の行と、特徴量ベクトルにおける特徴量と同じ数（Ｎ）の列と、を有する。ｆＭのｉ番目の行は、ｉ番目のレンダリングされた画像から抽出された特徴量ベクトルに対応する。この情報は、例えば、データを行列形式で提示するための、記述子を形成している連続ベクトルに対する標準行列形状変更演算（standard matrix reshape operation）により、入力モデルの組み立てられた記述子から抽出される（形状変更演算は、次元（Ｍ，Ｎ）の行列が、次元（ｘＭ，Ｎ／ｘ）の行列に変換される演算であり、ｘは、ｘＭ及びＮ／ｘの両方が整数である特性を有する）。組み立てられた記述子が、行列形式で記憶されている場合、特徴量行列を形成するためのデータを抽出するときに、形状変更演算は必要とされない。寸法情報は、単に、組み立てられた記述子から抽出される。

上述した、入力アイテムについての特徴量行列ｆＭの作成に続いて、データベース行列ｄＭが、データベース行列生成部３２により作成される（ステップＳ７２）。データベース行列を作成するために、データベース内の各モデルについての特徴量行列ｆＭが作成され、次いで、これらの特徴量行列ｆＭの全ての行が付加されて、ＤＳ＊（ＮＸ＋ＮＹ＋ＮＺ）個の行及びＮ個の列のサイズの行列が作成される。ここで、ＤＳは、データベース内のモデルの総数であり、Ｎは、特徴量ベクトルの長さを表す。

次いで、入力アイテムに最も近い、データベース内のモデルが、図７Ｂの検索プロセスの残りのステップを使用して見つけられる。

まず、ステップＳ７３において、類似度行列ｓＭが、類似度行列生成部３３により算出される。ここで、ｓＭ＝１−ｆＭ＊ｄＭ^Ｔである。すなわち、ｓＭは、入力モデルの各ビューの特徴量ベクトルとデータベース内の各モデルの各ビューの特徴量ベクトルとの間のコサイン距離を含む。ｓＭを算出するための上記の式において、「＊」は行列乗算を表し、上付きの「Ｔ」は、行列転置を表す。この式では、特徴量ベクトルが正規化されていると仮定していることに留意されたい。

次いで、簡約演算（reduction operation）が、類似度ベクトル生成部３４により、行列ｓＭに対して実行され、以下で説明するように、類似度ベクトルが算出される（ステップＳ７４）。ベクトルｓＶは、長さＤＳを有し、ベクトルｓＶのｊ番目の要素は、入力モデルとデータベース内のｊ番目のモデルとの間の距離を格納するものである。ここで、入力モデルのｉ番目のビューとデータベース内のｊ番目のモデルとの間の距離は、入力モデルのｉ番目のビューに対応する特徴量ベクトル（すなわち、ｓＭのｉ番目の行）と、データベース内のｊ番目のモデルの全てのビューに対応する特徴量ベクトルと、の間の最小コサイン距離として定義される。入力モデルとデータベース内のｊ番目のモデルとの間の距離は、入力モデルのビューとデータベース内のｊ番目のモデルのビューとの間の全ての距離にわたる総和として定義される。

類似度ベクトルｓＶ、すなわち、入力モデルとデータベース内の全てのモデルとの間の距離が算出された後、データベースからの、寸法基準を満たさないモデルが、寸法フィルタ部３５により除去される（ステップＳ７５）。最後に、類似するとして見つけられたモデルについてのモデルＩＤの順序付きベクトルが出力される（ステップＳ７６）。ここで、最初のモデルは、入力モデルに対して最小距離（すなわち、最も近い類似度）を有するモデルである。

一例として、特定の入力３Ｄモデルに類似する３Ｄモデルをデータベース内で見つけるプロセスが、図９を参照して説明される。この例における入力モデルが、図９の上部に示されており、入力モデルについての記述子を得るために上述したように処理されている。入力モデルに類似する３Ｄモデルを見つけるために、検索が、３Ｄモデルデータベースにおいて実行される。（例えば、おおよそ８０００個の３Ｄ ＣＡＤモデルを含む）３Ｄモデルデータベース内の各３Ｄモデルが、上述した記述子組み立てプロセスを使用して、記述子に変換されることになる。すなわち、データベース内の各３Ｄモデルの２２個の画像が生成され、これらの画像の各々について、特徴量ベクトルが得られ、各記述子は、該当する３Ｄモデルの全ての特徴量ベクトルとその寸法特徴量とを含む。

入力モデルの特徴量を含む特徴量行列ｆＭは、２２個の行と１０２４個の列とを有するのに対し、データベース行列は、８０００＊２２＝１７６０００個の行と１０２４個の列とを有する。次いで、２２個の行と１７６０００個の列とを有する類似度行列ｓＭが算出される。類似度行列ｓＭは、入力モデルの２２個の画像の各画像の特徴量ベクトルと、データベース内の全ての３Ｄモデルの全ての画像の特徴量ベクトルと、の間の距離を示す。上述した簡約演算に続いて、入力モデルとデータベース内の全てのモデルとの間の距離を表す８０００個の要素を有する類似度ベクトルｓＶが得られる。次いで、結果が、距離によって順序付けられ、２００％よりも大きい、寸法特徴量における相対的差異を示す結果が、除去され、（図９の下部に示されるように）最も類似する２０個のモデルが出力される。

本発明の実施形態は、３Ｄデータを検索することを必要とするあらゆる分野に適用可能である。例は、機械設計、３Ｄ印刷等である。本発明の実施形態はまた、ライブカメラからのオブジェクト認識等、入力３Ｄモデルが利用可能でない分野にも適用可能である。

一実施形態の特定の用途が、図１０を参照して以下で説明される。

図１０は、製品の製造において使用するための、一実施形態に従ったデータベース検索方法を使用するシステム１０の図である。状況に応じて、例えば、顧客であることもあるし、このシステムが属する会社の従業員であることもある、システム１０のユーザは、最良の（例えば、最もエネルギー効率の良い）製造プロセスを確認するために、製造される製品に関する情報をシステム１０に提供し、任意的に、最良の製造プロセスに関連付けられるコスト及び納期の見積もりもシステム１０に提供する。この例において、製品は、特注の製品であり、したがって、過去に製造された製品とはわずかに異なる。ユーザにより提供される情報は、以下のカテゴリに分類される：
・幾何学情報（例えば、ＣＡＤモデル）
・数値情報（例えば、許容範囲）
・非数値情報（例えば、材料情報）

以前に製造された製品に関連する情報は、製品データベース３０に記憶される。各製品に関連する幾何学情報は、上述した記述子組み立てプロセスを使用して製品から導出された記述子の形態で、このデータベースに保持される。データベース３０又は別のデータベースは、以下でメタデータと呼ばれる、製品に関連する他の情報を、テキスト形式及び数値形式の両方で保持する。メタデータは、以下の３つのカテゴリに分類され得る：
１．材料特性、許容範囲、及び、製品が製造されることを可能にするレベルに製品を記述するのに必要とされる任意の他の情報を含む製品仕様メタデータ
２．製造プロセスの段階、マシンパラメータ、エネルギー使用量、材料使用量等といった、使用される製造プロセスに関する情報を含む製造プロセスメタデータ（すなわち、蓄積されている製造ノウハウ）
３．（使用された製造プロセスに依存する可能性が高い）製造コスト、販売価格、納期等

システム１０は、製造される製品に関する必要とされる情報を、ユーザから受け取ると、データベース３０内で見つけられた類似する以前に製造された製品から抽出された情報を使用して、以下の出力のうちの一方又は両方を生成する：
・この製品を製造するために使用される最良の製造プロセスについての推奨
・推奨される製造プロセスが使用されるという仮定の下での、コスト、納期等といった情報を含む見積もり

詳細には、システム１０は、一実施形態に従った検索方法を使用して、データベース３０が、製造される製品に類似する何らかのアイテムを含んでいるかどうかを判定する。この場合、検索は、記憶されているアイテムメタデータから導出された１つ以上の特徴量ベクトルを、記憶されているアイテム記述子から抽出された特徴量ベクトルに付加することにより得られた特徴量ベクトルを使用して、実行される。データベース内の２つ以上のアイテムが、製品に類似するものとして特定された場合、これらのアイテムは、どのアイテムが製品に最も類似するかを判定するために、製品との類似の程度に従ってランク付けされる。製品に類似する（又は、最も類似する）とみなされるアイテムの以前に記憶された詳細を使用して、システムのユーザに、必要とされる情報、すなわち、製品を製造するために使用する最良の製造プロセスに関する推奨、並びに／又は、製造するのに製品にどれだけのコストがかかるか及び／若しくは納期に関する見積もりを提供する。

本発明の実施形態は、ハードウェア、若しくは１つ以上のプロセッサ上で実行されるソフトウェアモジュール、又はこれらの組合せとして実装され得る。すなわち、マイクロプロセッサ又はデジタル信号プロセッサ（ＤＳＰ）が、上述した機能の一部又は全てを実装するために実際に使用され得ることが、当業者であれば理解されよう。

本発明はまた、本明細書に記載の方法の一部又は全てを実行するための１つ以上のデバイスプログラム又は装置プログラム（例えば、コンピュータプログラム及びコンピュータプログラム製品）として具現化され得る。本発明を具現化するそのようなプログラムは、コンピュータ読み取り可能な媒体に記憶されてもよいし、例えば、１つ以上の信号の形態であってもよい。そのような信号は、インターネットウェブサイトからダウンロード可能なデータ信号であってもよいし、キャリア信号上に提供されてもよいし、任意の他の形態であってもよい。

図１１は、本発明を具現化し、本発明を具現化する方法のステップの一部又は全てを実施するとともに一実施形態の装置のタスクの一部又は全てを実行するために使用され得る、データ記憶サーバ等のコンピューティングデバイスのブロック図である。例えば、図１１のコンピューティングデバイスは、図３Ｂの記述子作成方法及び図７Ｂに示されるデータベース検索方法の全てのステップを実施するとともに、図３Ａに示される記述子作成装置及び図７Ａのデータベース検索装置の全てのタスクを実行するために使用されてもよいし、図３Ｂ又は図７Ｂの方法のステップの一部のみを実施するとともに、図３Ａ又は図７Ａの装置のタスクの一部のみを実行するために使用されてもよい。

コンピューティングデバイスは、プロセッサ９９３及びメモリ９９４を有する。任意的に、コンピューティングデバイスは、例えば、本発明の実施形態の他のコンピューティングデバイスといった他のそのようなコンピューティングデバイスと通信するためのネットワークインタフェース９９７も含む。

例えば、一実施形態は、そのようなコンピューティングデバイス群のネットワークを含み得る。任意的に、コンピューティングデバイスは、キーボード及びマウス等の１つ以上の入力機構９９６及び１つ以上のモニタ等のディスプレイユニット９９５も含む。これらのコンポーネントは、バス９９２を介して互いに接続可能である。

メモリ９９４は、コンピュータ読み取り可能な媒体を含み得る。コンピュータ読み取り可能な媒体という用語は、コンピュータ実行可能な命令を運ぶ又はデータ構造を記憶するよう構成された１つの媒体又は複数の媒体（例えば、集中データベース若しくは分散データベース並びに／又は関連するキャッシュ及びサーバ）を指し得る。コンピュータ実行可能な命令は、例えば、汎用コンピュータ、特殊目的コンピュータ、又は特殊目的処理デバイス（例えば、１つ以上のプロセッサ）によりアクセス可能であり、これらに１つ以上の機能又は動作を実行させる命令及びデータを含み得る。したがって、「コンピュータ読み取り可能な記憶媒体」という用語も、マシンにより実行され、マシンに本開示の方法のうちの１つ以上を実行させる命令のセットを記憶する、符号化する、又は運ぶことができる任意の媒体を含み得る。したがって、「コンピュータ読み取り可能な記憶媒体」という用語は、ソリッドステートメモリ、光媒体、及び磁気媒体を含むが、これらに限定されるものではないと解釈され得る。限定ではなく例として、そのようなコンピュータ読み取り可能な媒体は、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、電気的に消去可能なプログラム可能な読み取り専用メモリ（ＥＥＰＲＯＭ）、コンパクトディスク読み取り専用メモリ（ＣＤ−ＲＯＭ）又は他の光ディスクストレージ、磁気ディスクストレージ又は他の磁気記憶デバイス、フラッシュメモリデバイス（例えば、ソリッドステートメモリデバイス）を含む非一時的なコンピュータ読み取り可能な記憶媒体を含み得る。

プロセッサ９９３は、コンピューティングデバイスを制御し、例えば、図３、図４、図５、図７Ｂ、図８、図９、及び／又は図１０を参照して説明され請求項において定められる方法を実装するようにメモリ９９４に記憶されたコンピュータプログラムコードを実行する等の処理動作を実行するよう構成される。メモリ９９４は、プロセッサ９９３により読み書きされているデータを記憶する。本明細書で言及されているように、プロセッサは、マイクロプロセッサ、中央処理装置等といった１つ以上の汎用処理デバイスを含み得る。プロセッサは、複合命令セットコンピューティング（ＣＩＳＣ）マイクロプロセッサ、縮小命令セットコンピューティング（ＲＩＳＣ）マイクロプロセッサ、超長命令語（ＶＬＩＷ）マイクロプロセッサ、又は、他の命令セットを実装しているプロセッサ若しくは命令セットの組合せを実装しているプロセッサを含み得る。プロセッサはまた、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、ネットワークプロセッサ等といった１つ以上の特殊目的処理デバイスを含み得る。１つ以上の実施形態において、プロセッサは、本明細書に記載の動作及びステップを実行するための命令を実行するよう構成される。

ディスプレイユニット９９５は、コンピューティングデバイスにより記憶されたデータの表現を表示することができ、ユーザとコンピューティングデバイスに記憶されているプログラム及びデータとの間のインタラクションを可能にするカーソル及びダイアログボックス並びにスクリーンも表示することができる。入力機構９９６は、ユーザが、コンピューティングデバイスにデータ及び命令を入力することを可能にし得る。

ネットワークインタフェース（ネットワークＩ／Ｆ）９９７は、インターネット等のネットワークに接続され得るものであり、ネットワークを介して他のそのようなコンピューティングデバイスに接続可能である。ネットワークＩ／Ｆ９９７は、ネットワークを介した他の装置から／へのデータ入力／出力を制御することができる。

マイクロフォン、スピーカ、プリンタ、電力供給ユニット、ファン、ケース、スキャナ、トラッカボール等といった他の周辺デバイスも、コンピューティングデバイスに含められ得る。

本発明を具現化する方法は、図１１に示されるコンピューティングデバイス等のコンピューティングデバイス上で実行され得る。そのようなコンピューティングデバイスは、図１１に示される全てのコンポーネントを有する必要はなく、これらのコンポーネントのサブセットのみを含んでもよい。本発明を具現化する方法は、ネットワークを介して１つ以上のデータ記憶サーバと通信する単一のコンピューティングデバイスにより実行され得る。コンピューティングデバイスは、データの少なくとも一部を記憶するデータストレージ自体であってもよい。

本発明を具現化する方法は、互いと協調して動作する複数のコンピューティングデバイスにより実行されてもよい。複数のコンピューティングデバイスのうちの１つ以上は、データの少なくとも一部を記憶するデータ記憶サーバであってもよい。

本発明の上述した実施形態は、有利なことに、このような実施形態のうちのいずれの他の実施形態とも独立に使用されることもあるし、このような実施形態のうちの１つ以上の他の実施形態との任意の実現可能な組合せで使用されることもある。

以上の実施形態に関し、さらに以下の付記を開示する。

（付記１）
３次元（３Ｄ）コンピュータ生成モデルについての記述子を作成する、コンピュータにより実施される方法であって、
複数の異なる軸の各々の回りに独立に前記３Ｄコンピュータ生成モデルを完全に回転させることにより、固定された視点からの前記３Ｄコンピュータ生成モデルの複数の２次元（２Ｄ）のレンダリングされた画像を得るステップと、
各２Ｄのレンダリングされた画像から、当該２Ｄのレンダリングされた画像の特徴量を表す特徴量ベクトルを抽出するステップであって、前記記述子は、前記の抽出された特徴量ベクトルの各々を含むベクトル列を有する、ステップと、
を含む、方法。

（付記２）
前記記述子は、前記３Ｄコンピュータ生成モデルの寸法特徴量をそれぞれ表す、寸法に関連する１つ以上の特徴量をさらに有する、付記１に記載の方法。

（付記３）
前記３Ｄコンピュータ生成モデルは、０より大きい大きさの角度ステップずつ前記複数の異なる軸のうちの１つ以上の回りに回転される、付記１又は２に記載の方法。

（付記４）
前記角度ステップは、各軸に対して同一である、付記３に記載の方法。

（付記５）
前記複数の異なる軸は、３つの相互に垂直な軸を含む、付記１乃至４いずれかに記載の方法。

（付記６）
各角度ステップは、３０°から４５°までの範囲にある、付記３又は４に付加されるとして読まれた場合の付記５に記載の方法。

（付記７）
３次元（３Ｄ）オブジェクトについての記述子を作成する、コンピュータにより実施される方法であって、
前記３Ｄオブジェクトの少なくとも１つの２次元（２Ｄ）の画像を得るステップと、
各２Ｄの画像から、当該２Ｄの画像の特徴量を表す特徴量ベクトルを抽出するステップと、
を含み、
１つの２Ｄの画像のみが存在する場合、前記記述子は、前記の抽出された特徴量ベクトルを有し、２つ以上の２Ｄの画像が存在する場合、前記記述子は、前記の抽出された特徴量ベクトルの各々を含むベクトル列を有し、
前記記述子は、前記３Ｄオブジェクトの寸法特徴量をそれぞれ表す、寸法に関連する１つ以上の特徴量をさらに有する、方法。

（付記８）
各特徴量ベクトルは、深層ニューラルネットワークを使用して、２Ｄの前記画像から抽出される、付記１乃至７いずれかに記載の方法。

（付記９）
指定された３次元（３Ｄ）オブジェクト又は指定された３Ｄコンピュータ生成モデルとの類似度について３Ｄアイテムのデータベースを検索するための、コンピュータにより実施される検索する方法であって、
前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルに関連付けられた記述子の１つ以上の特徴量ベクトルと、前記データベース内の前記３Ｄアイテムに関連付けられた記述子の特徴量ベクトルと、を使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと前記データベース内の１つ以上の３Ｄアイテムとの間の類似の程度を確認する類似度評価プロセス
を含み、
前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の各々は、付記１乃至８いずれかに記載の方法に従って作成されたものであり、前記指定された３Ｄオブジェクトに関連付けられた前記記述子は、付記７に記載の方法に従って作成されたものであり、あるいは、前記指定された３Ｄコンピュータ生成モデルに関連付けられた前記記述子は、付記１乃至６及び８いずれかに記載の方法に従って作成されたものである、方法。

（付記１０）
前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子は、付記２に記載の方法に従って作成されたものであり、前記類似度評価プロセスは、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと前記データベース内の前記３Ｄアイテムとの前記記述子の寸法に関連する特徴量を使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルとサイズにおいて適合しない、前記データベース内の３Ｄアイテムを特定するステップを含む、付記９に記載の方法。

（付記１１）
前記類似度評価プロセスは、
前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルに関連付けられた前記記述子の前記１つ以上の特徴量ベクトルを使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルについて特徴量行列ｆＭ_ｓを作成するステップと、
前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の前記特徴量ベクトルを使用して、前記データベース内の各３Ｄアイテムについて特徴量行列ｆＭ_ｄを作成するステップと、
前記データベース内の前記３Ｄアイテムについて作成された前記特徴量行列ｆＭ_ｄを付加して、データベース行列ｄＭを作成するステップと、
前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルについての前記特徴量行列ｆＭ_ｓと前記データベース行列ｄＭとを使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルに関連付けられた前記記述子の各特徴量ベクトルと、前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の各特徴量ベクトルと、の間の距離を示す類似度行列ｓＭを算出するステップと、
前記類似度行列ｓＭから類似度ベクトルｓＶを導出するステップであって、前記類似度ベクトルｓＶは、長さＤＳを有し、前記類似度ベクトルのｊ番目の要素は、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと、前記データベース内のｊ番目のアイテムと、の間の類似度を表す、ステップと、
を含む、付記９又は１０に記載の方法。

（付記１２）
前記特徴量行列ｆＭ_ｓの行の数ＮＲ_ｓは、特徴量ベクトルの数と同じであり、前記特徴量行列ｆＭ_ｓの列の数ＮＣ_ｓは、前記１つ以上の特徴量ベクトルにおける特徴量の数と同じであり、前記特徴量行列ｆＭ_ｓのｉ番目の行は、前記記述子のｉ番目の特徴量ベクトルに対応し、
各特徴量行列ｆＭ_ｄにおいて、当該特徴量行列ｆＭ_ｄの行の数ＮＲ_ｄは、前記データベース内の該当する３Ｄアイテムに関連付けられた前記記述子における特徴量ベクトルの数と同じであり、当該特徴量行列ｆＭ_ｄの列の数ＮＣ_ｄは、前記データベース内の該当する３Ｄアイテムに関連付けられた前記記述子における各特徴量ベクトルにおける特徴量の数と同じであり、当該特徴量行列ｆＭ_ｄのｉ番目の行は、前記データベース内の該当する３Ｄアイテムに関連付けられた前記記述子のｉ番目の特徴量ベクトルに対応し、
前記データベース行列ｄＭにおける行の数は、ＤＳ＊ＮＲ_ｄであり、ＤＳは、前記データベース内のアイテムの総数であり、前記データベース行列ｄＭにおける列の数は、ＮＣ_ｄである、付記１１に記載の方法。

（付記１３）
コンピュータ上で実行されたときに前記コンピュータに付記１乃至１２いずれかに記載の方法を実行させるコンピュータプログラム。

（付記１４）
製品を製造する際に使用するための方法であって、
以前に製造された又は製造のために準備された３次元（３Ｄ）アイテムのデータベースを設けるステップであって、前記データベースは、各アイテムに関連付けられた記述子を含み、前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の各々は、付記１乃至８いずれかに記載の方法に従って作成されたものである、ステップと、
製造される製品を指定する情報を受信するステップであって、前記情報は、前記製品の幾何学配置を指定する幾何学情報を含む、ステップと、
付記１乃至８いずれかに記載の方法に従って、前記製品の前記幾何学情報から記述子を導出するステップと、
付記９乃至１２いずれかに記載の方法を使用して、前記データベースを検索して、前記データベース内のアイテムと、製造される前記製品と、の間の類似の程度を確認するステップと、
前記データベース内のどのアイテムが、製造される前記製品に最も類似するかを判定するステップと、
製造される前記製品に最も類似すると判定されたアイテムの製造に関連付けられた製造プロセスに関連する記憶されている製造プロセス情報を取得し、前記の取得された製造プロセス情報を使用して、前記製品を製造するステップと、
を含む、方法。

（付記１５）
３次元（３Ｄ）コンピュータ生成モデルについての記述子を作成するよう構成されている記述子作成装置であって、
複数の異なる軸の各々の回りに独立に前記３Ｄコンピュータ生成モデルを完全に回転させることにより、固定された視点からの前記３Ｄコンピュータ生成モデルの複数の２次元（２Ｄ）のレンダリングされた画像を得るよう構成されている画像レンダリング部と、
各２Ｄのレンダリングされた画像から、当該２Ｄのレンダリングされた画像の特徴量を表す特徴量ベクトルを抽出するよう構成されている特徴量ベクトル抽出部と、
前記の抽出された特徴量ベクトルの各々を含むベクトル列を組み立てることにより前記記述子を形成するよう構成されている記述子組み立て部と、
を有する、記述子作成装置。

（付記１６）
前記記述子組み立て部は、さらに、前記３Ｄコンピュータ生成モデルの寸法特徴量をそれぞれ表す、寸法に関連する１つ以上の特徴量を、前記記述子に含めるよう構成されている、付記１５に記載の記述子作成装置。

（付記１７）
前記画像レンダリング部は、０より大きい大きさの角度ステップずつ前記複数の異なる軸のうちの１つ以上の回りに前記３Ｄコンピュータ生成モデルを回転させるよう動作可能である、付記１５又は１６に記載の記述子作成装置。

（付記１８）
前記角度ステップは、各軸に対して同一である、付記１７に記載の記述子作成装置。

（付記１９）
前記複数の異なる軸は、３つの相互に垂直な軸を含む、付記１５乃至１８いずれかに記載の記述子作成装置。

（付記２０）
各角度ステップは、３０°から４５°までの範囲にある、付記１７又は１８に付加されるとして読まれた場合の付記１９に記載の記述子作成装置。

（付記２１）
３次元（３Ｄ）オブジェクトについての記述子を作成するよう構成されている記述子作成装置であって、
前記３Ｄオブジェクトの１つ以上の２次元（２Ｄ）の画像の各２Ｄの画像から、当該２Ｄの画像の特徴量を表す特徴量ベクトルを抽出するよう構成されている特徴量ベクトル抽出部と、
１つの２Ｄの画像のみが存在する場合、前記の抽出された特徴量ベクトルから前記記述子を形成するよう構成されており、２つ以上の２Ｄの画像が存在する場合、前記の抽出された特徴量ベクトルの各々を含むベクトル列を組み立てるよう構成されている記述子組み立て部と、
を有し、
前記記述子組み立て部は、さらに、前記３Ｄオブジェクトの寸法特徴量をそれぞれ表す、寸法に関連する１つ以上の特徴量を、前記記述子に含めるよう構成されている、記述子作成装置。

（付記２２）
指定された３次元（３Ｄ）オブジェクト又は指定された３Ｄコンピュータ生成モデルとの類似度について３Ｄアイテムのデータベースを検索するよう構成されている検索装置であって、
前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルに関連付けられた記述子の１つ以上の特徴量ベクトルと、前記データベース内の前記３Ｄアイテムに関連付けられた記述子の特徴量ベクトルと、を使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと前記データベース内の１つ以上の３Ｄアイテムとの間の類似の程度を評価するよう構成されている類似度評価部
を有し、
前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の各々は、付記１５乃至２１いずれかに記載の記述子作成装置により作成されたものであり、前記指定された３Ｄオブジェクトに関連付けられた前記記述子は、付記２１に記載の記述子作成装置により作成されたものであり、あるいは、前記指定された３Ｄコンピュータ生成モデルに関連付けられた前記記述子は、付記１５乃至２０いずれかに記載の記述子作成装置により作成されたものである、検索装置。

（付記２３）
前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子は、付記１５に記載の記述子作成装置により作成されたものであり、前記類似度評価部は、さらに、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと前記データベース内の前記３Ｄアイテムとの前記記述子の寸法に関連する特徴量を使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルとサイズにおいて適合しない、前記データベース内の３Ｄアイテムを特定するよう構成されている、付記２２に記載の検索装置。

１０ 記述子作成装置
１１ 画像レンダリング部
１２ 特徴量ベクトル抽出部
１３ 記述子組み立て部
２０ 記憶部
３１ 特徴量行列（ｆＭ）生成部
３２ データベース行列（ｄＭ）生成部
３３ 類似度行列（ｓＭ）生成部
３４ 類似度ベクトル（ｓＶ）生成部
３５ 寸法フィルタ部
９９３ プロセッサ
９９４ メモリ
９９５ ディスプレイユニット
９９６ 入力機構
９９７ ネットワークインタフェース（ネットワークＩ／Ｆ）

Claims (23)

1. ３次元（３Ｄ）コンピュータ生成モデルについての記述子を作成する、コンピュータにより実施される方法であって、
   複数の異なる軸の各々の回りに独立に前記３Ｄコンピュータ生成モデルを完全に回転させることにより、固定された視点からの前記３Ｄコンピュータ生成モデルの複数の２次元（２Ｄ）のレンダリングされた画像を得るステップと、
   各２Ｄのレンダリングされた画像から、当該２Ｄのレンダリングされた画像の特徴量を表す特徴量ベクトルを抽出するステップであって、前記記述子は、前記の抽出された特徴量ベクトルの各々を含むベクトル列を有する、ステップと、
   を含む、方法。
2. 前記記述子は、前記３Ｄコンピュータ生成モデルの寸法特徴量をそれぞれ表す、寸法に関連する１つ以上の特徴量をさらに有する、請求項１に記載の方法。
3. 前記３Ｄコンピュータ生成モデルは、０より大きい大きさの角度ステップずつ前記複数の異なる軸のうちの１つ以上の回りに回転される、請求項１又は２に記載の方法。
4. 前記角度ステップは、各軸に対して同一である、請求項３に記載の方法。
5. 前記複数の異なる軸は、３つの相互に垂直な軸を含む、請求項１乃至４いずれか一項に記載の方法。
6. 各角度ステップは、３０°から４５°までの範囲にある、請求項３又は４に付加されるとして読まれた場合の請求項５に記載の方法。
7. ３次元（３Ｄ）オブジェクトについての記述子を作成する、コンピュータにより実施される方法であって、
   前記３Ｄオブジェクトの少なくとも１つの２次元（２Ｄ）の画像を得るステップと、
   各２Ｄの画像から、当該２Ｄの画像の特徴量を表す特徴量ベクトルを抽出するステップと、
   を含み、
   １つの２Ｄの画像のみが存在する場合、前記記述子は、前記の抽出された特徴量ベクトルを有し、２つ以上の２Ｄの画像が存在する場合、前記記述子は、前記の抽出された特徴量ベクトルの各々を含むベクトル列を有し、
   前記記述子は、前記３Ｄオブジェクトの寸法特徴量をそれぞれ表す、寸法に関連する１つ以上の特徴量をさらに有する、方法。
8. 各特徴量ベクトルは、深層ニューラルネットワークを使用して、２Ｄの前記画像から抽出される、請求項１乃至７いずれか一項に記載の方法。
9. 指定された３次元（３Ｄ）オブジェクト又は指定された３Ｄコンピュータ生成モデルとの類似度について３Ｄアイテムのデータベースを検索するための、コンピュータにより実施される検索する方法であって、
   前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルに関連付けられた記述子の１つ以上の特徴量ベクトルと、前記データベース内の前記３Ｄアイテムに関連付けられた記述子の特徴量ベクトルと、を使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと前記データベース内の１つ以上の３Ｄアイテムとの間の類似の程度を確認する類似度評価プロセス
   を含み、
   前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の各々は、請求項１乃至８いずれか一項に記載の方法に従って作成されたものであり、前記指定された３Ｄオブジェクトに関連付けられた前記記述子は、請求項７に記載の方法に従って作成されたものであり、あるいは、前記指定された３Ｄコンピュータ生成モデルに関連付けられた前記記述子は、請求項１乃至６及び８いずれか一項に記載の方法に従って作成されたものである、方法。
10. 前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子は、請求項２に記載の方法に従って作成されたものであり、前記類似度評価プロセスは、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと前記データベース内の前記３Ｄアイテムとの前記記述子の寸法に関連する特徴量を使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルとサイズにおいて適合しない、前記データベース内の３Ｄアイテムを特定するステップを含む、請求項９に記載の方法。
11. 前記類似度評価プロセスは、
    前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルに関連付けられた前記記述子の前記１つ以上の特徴量ベクトルを使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルについて特徴量行列ｆＭ_ｓを作成するステップと、
    前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の前記特徴量ベクトルを使用して、前記データベース内の各３Ｄアイテムについて特徴量行列ｆＭ_ｄを作成するステップと、
    前記データベース内の前記３Ｄアイテムについて作成された前記特徴量行列ｆＭ_ｄを付加して、データベース行列ｄＭを作成するステップと、
    前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルについての前記特徴量行列ｆＭ_ｓと前記データベース行列ｄＭとを使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルに関連付けられた前記記述子の各特徴量ベクトルと、前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の各特徴量ベクトルと、の間の距離を示す類似度行列ｓＭを算出するステップと、
    前記類似度行列ｓＭから類似度ベクトルｓＶを導出するステップであって、前記類似度ベクトルｓＶは、長さＤＳを有し、前記類似度ベクトルのｊ番目の要素は、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと、前記データベース内のｊ番目のアイテムと、の間の類似度を表す、ステップと、
    を含む、請求項９又は１０に記載の方法。
12. 前記特徴量行列ｆＭ_ｓの行の数ＮＲ_ｓは、特徴量ベクトルの数と同じであり、前記特徴量行列ｆＭ_ｓの列の数ＮＣ_ｓは、前記１つ以上の特徴量ベクトルにおける特徴量の数と同じであり、前記特徴量行列ｆＭ_ｓのｉ番目の行は、前記記述子のｉ番目の特徴量ベクトルに対応し、
    各特徴量行列ｆＭ_ｄにおいて、当該特徴量行列ｆＭ_ｄの行の数ＮＲ_ｄは、前記データベース内の該当する３Ｄアイテムに関連付けられた前記記述子における特徴量ベクトルの数と同じであり、当該特徴量行列ｆＭ_ｄの列の数ＮＣ_ｄは、前記データベース内の該当する３Ｄアイテムに関連付けられた前記記述子における各特徴量ベクトルにおける特徴量の数と同じであり、当該特徴量行列ｆＭ_ｄのｉ番目の行は、前記データベース内の該当する３Ｄアイテムに関連付けられた前記記述子のｉ番目の特徴量ベクトルに対応し、
    前記データベース行列ｄＭにおける行の数は、ＤＳ＊ＮＲ_ｄであり、ＤＳは、前記データベース内のアイテムの総数であり、前記データベース行列ｄＭにおける列の数は、ＮＣ_ｄである、請求項１１に記載の方法。
13. コンピュータ上で実行されたときに前記コンピュータに請求項１乃至１２いずれか一項に記載の方法を実行させるコンピュータプログラム。
14. 製品を製造する際に使用するための方法であって、
    以前に製造された又は製造のために準備された３次元（３Ｄ）アイテムのデータベースを設けるステップであって、前記データベースは、各アイテムに関連付けられた記述子を含み、前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の各々は、請求項１乃至８いずれか一項に記載の方法に従って作成されたものである、ステップと、
    製造される製品を指定する情報を受信するステップであって、前記情報は、前記製品の幾何学配置を指定する幾何学情報を含む、ステップと、
    請求項１乃至８いずれか一項に記載の方法に従って、前記製品の前記幾何学情報から記述子を導出するステップと、
    請求項９乃至１２いずれか一項に記載の方法を使用して、前記データベースを検索して、前記データベース内のアイテムと、製造される前記製品と、の間の類似の程度を確認するステップと、
    前記データベース内のどのアイテムが、製造される前記製品に最も類似するかを判定するステップと、
    製造される前記製品に最も類似すると判定されたアイテムの製造に関連付けられた製造プロセスに関連する記憶されている製造プロセス情報を取得し、前記の取得された製造プロセス情報を使用して、前記製品を製造するステップと、
    を含む、方法。
15. ３次元（３Ｄ）コンピュータ生成モデルについての記述子を作成するよう構成されている記述子作成装置であって、
    複数の異なる軸の各々の回りに独立に前記３Ｄコンピュータ生成モデルを完全に回転させることにより、固定された視点からの前記３Ｄコンピュータ生成モデルの複数の２次元（２Ｄ）のレンダリングされた画像を得るよう構成されている画像レンダリング部と、
    各２Ｄのレンダリングされた画像から、当該２Ｄのレンダリングされた画像の特徴量を表す特徴量ベクトルを抽出するよう構成されている特徴量ベクトル抽出部と、
    前記の抽出された特徴量ベクトルの各々を含むベクトル列を組み立てることにより前記記述子を形成するよう構成されている記述子組み立て部と、
    を有する、記述子作成装置。
16. 前記記述子組み立て部は、さらに、前記３Ｄコンピュータ生成モデルの寸法特徴量をそれぞれ表す、寸法に関連する１つ以上の特徴量を、前記記述子に含めるよう構成されている、請求項１５に記載の記述子作成装置。
17. 前記画像レンダリング部は、０より大きい大きさの角度ステップずつ前記複数の異なる軸のうちの１つ以上の回りに前記３Ｄコンピュータ生成モデルを回転させるよう動作可能である、請求項１５又は１６に記載の記述子作成装置。
18. 前記角度ステップは、各軸に対して同一である、請求項１７に記載の記述子作成装置。
19. 前記複数の異なる軸は、３つの相互に垂直な軸を含む、請求項１５乃至１８いずれか一項に記載の記述子作成装置。
20. 各角度ステップは、３０°から４５°までの範囲にある、請求項１７又は１８に付加されるとして読まれた場合の請求項１９に記載の記述子作成装置。
21. ３次元（３Ｄ）オブジェクトについての記述子を作成するよう構成されている記述子作成装置であって、
    前記３Ｄオブジェクトの１つ以上の２次元（２Ｄ）の画像の各２Ｄの画像から、当該２Ｄの画像の特徴量を表す特徴量ベクトルを抽出するよう構成されている特徴量ベクトル抽出部と、
    １つの２Ｄの画像のみが存在する場合、前記の抽出された特徴量ベクトルから前記記述子を形成するよう構成されており、２つ以上の２Ｄの画像が存在する場合、前記の抽出された特徴量ベクトルの各々を含むベクトル列を組み立てるよう構成されている記述子組み立て部と、
    を有し、
    前記記述子組み立て部は、さらに、前記３Ｄオブジェクトの寸法特徴量をそれぞれ表す、寸法に関連する１つ以上の特徴量を、前記記述子に含めるよう構成されている、記述子作成装置。
22. 指定された３次元（３Ｄ）オブジェクト又は指定された３Ｄコンピュータ生成モデルとの類似度について３Ｄアイテムのデータベースを検索するよう構成されている検索装置であって、
    前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルに関連付けられた記述子の１つ以上の特徴量ベクトルと、前記データベース内の前記３Ｄアイテムに関連付けられた記述子の特徴量ベクトルと、を使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと前記データベース内の１つ以上の３Ｄアイテムとの間の類似の程度を評価するよう構成されている類似度評価部
    を有し、
    前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子の各々は、請求項１５乃至２１いずれか一項に記載の記述子作成装置により作成されたものであり、前記指定された３Ｄオブジェクトに関連付けられた前記記述子は、請求項２１に記載の記述子作成装置により作成されたものであり、あるいは、前記指定された３Ｄコンピュータ生成モデルに関連付けられた前記記述子は、請求項１５乃至２０いずれか一項に記載の記述子作成装置により作成されたものである、検索装置。
23. 前記データベース内の前記３Ｄアイテムに関連付けられた前記記述子は、請求項１５に記載の記述子作成装置により作成されたものであり、前記類似度評価部は、さらに、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルと前記データベース内の前記３Ｄアイテムとの前記記述子の寸法に関連する特徴量を使用して、前記指定された３Ｄオブジェクト又は前記指定された３Ｄコンピュータ生成モデルとサイズにおいて適合しない、前記データベース内の３Ｄアイテムを特定するよう構成されている、請求項２２に記載の検索装置。

Images