TW202316378A - 用於深度學習的三維建模軟體之幾何模型資料預處理方法及系統 - Google Patents
用於深度學習的三維建模軟體之幾何模型資料預處理方法及系統 Download PDFInfo
- Publication number
- TW202316378A TW202316378A TW111135545A TW111135545A TW202316378A TW 202316378 A TW202316378 A TW 202316378A TW 111135545 A TW111135545 A TW 111135545A TW 111135545 A TW111135545 A TW 111135545A TW 202316378 A TW202316378 A TW 202316378A
- Authority
- TW
- Taiwan
- Prior art keywords
- axis
- geometric
- tensor
- virtual unit
- deep learning
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Architecture (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Generation (AREA)
Abstract
一種用於深度學習的三維建模軟體之幾何模型資料預處理方法及系統。該方法包含:判定一虛擬單位立方塊之大小,該虛擬單位立方塊基於至少一幾何物件沿一第一軸、一第二軸及一第三軸之維度值中的一最小維度值;產生一空張量,其被虛擬化為由數個虛擬單位立方塊組成之長方體,其具有一大小,其基於該至少一幾何物件沿該第一軸、該第二軸及該第三軸之維度值中的一最大維度值判定;指定一初始值給該空張量之每一虛擬單位立方塊;對該空張量中對應至該至少一幾何物件之該等虛擬單位立方塊,以一預定識別屬性值,取代每一虛擬單位立方塊之該初始值,產生一3D幾何模型張量。
Description
本發明是有關於一種資料處理方法及系統,特別是指一種用於深度學習的三維建模軟體之幾何模型資料預處理方法及系統。
諸如Autodesk Revit、AECOSim Building Designer、ArchiCAD、Vectorworks Architect、Tekla等之三維(3D)建模軟體是用來建立、修改、修訂及管理數位3D模型。每個 3D 模型都是一個地方(例如,建築物、工廠等)的至少一部分的數位表示,且包括相關於該地方中的物件(例如門、窗、管路、家具或設備等)之實體屬性及/或功能性特徵之幾何模型資料。
例如,現有幾何模型資料可包括每一個物件的一組座標、一大小、一定向及一些描述性資訊,以利用該等幾何模型資料來建立該等物件之間的空間關係。此外,在現有幾何模型資料是由許多像素組成之一3D影像並且是使用傳統電腦圖形方法或技術來讀取之情況下,就必須讀取上億個像素。再者,一般來說,該等幾何模型資料具有相當大的檔案大小且非常複雜。當深度學習模組用來從該等幾何模型資料抽取特徵及辨識該等物件以用於進一步應用時,抽取特徵時需耗費相當長的時間。
在一些情況下,該等幾何模型資料會先被轉換成2D格式,然後被輸入至該深度學習模組以用於影像分類。然而,在2D格式下,該等物件(例如管路)之細節可被表示為單線圖形,但是這會導致不正確的影像分類結果。
因此,本發明的目的,即在提供一種用於深度學習的三維建模軟體之幾何模型資料預處理方法。
於是,本發明用於深度學習的三維建模軟體之幾何模型資料預處理方法,該幾何模型資料是關聯於呈現一3D模型,該3D模型是使用該3D建模軟體建立且含有相關聯於該3D模型中的至少一幾何物件之資料,該3D模型包括一預定空間座標系,該預定空間座標系具有彼此相互正交之一第一軸、一第二軸,及一第三軸,每一幾何物件被指定一屬性。該用於深度學習的三維建模軟體之幾何模型資料預處理方法是以一處理器實施,且包含以下步驟:判定一虛擬單位立方塊之一大小,該虛擬單位立方塊是基於該至少一幾何物件沿著該第一軸、該第二軸及該第三軸之維度值中的一最小維度值,被虛擬化為一立方體;產生一空張量,該空張量被虛擬化為由數個虛擬單位立方塊組成之一長方體,該長方體具有一大小,該大小是基於該至少一幾何物件沿著該第一軸、該第二軸及該第三軸之維度值中的一最大維度值來判定;指定一初始值給該空張量之每一虛擬單位立方塊;對於該空張量中對應至該至少一幾何物件之該等虛擬單位立方塊,以一唯一地對應於每一個幾何物件之該屬性之預定識別屬性值,取代每一個虛擬單位立方塊之該初始值,以產生一3D幾何模型張量來做為深度學習之一輸入;及以一預定格式,將該3D幾何模型張量儲存於一資料庫中。
本發明的另一目的,即在提供一種用於深度學習的三維建模軟體之幾何模型資料預處理系統。
於是,本發明用於深度學習的三維建模軟體之幾何模型資料預處理系統,該幾何模型資料是關聯於呈現一3D模型,該3D模型是使用該3D建模軟體建立且含有相關聯於該3D模型中的至少一幾何物件之資料,該3D模型包括一預定空間座標系,該預定空間座標系具有彼此相互正交之一第一軸、一第二軸,及一第三軸,每一幾何物件被指定一屬性。該用於深度學習的三維建模軟體之幾何模型資料預處理系統包含:一儲存裝置,具有儲存於其內的該3D建模軟體、該等幾何模型資料,及一預處理模組;及一處理器,電連接該儲存裝置。當該處理器執行該預處理模組時,被組配以:判定一虛擬單位立方塊之一大小,該虛擬單位立方塊是基於該至少一幾何物件沿著該第一軸、該第二軸及該第三軸之維度值中的一最小維度值,被虛擬化為一立方體;產生一空張量,該空張量被虛擬化為由數個虛擬單位立方塊組成之一長方體,該長方體具有一大小,該大小是基於該至少一幾何物件沿著該第一軸、該第二軸及該第三軸之維度值中的一最大維度值來判定;指定一初始值給該空張量之每一虛擬單位立方塊;對於該空張量中對應至該至少一幾何物件之該等虛擬單位立方塊,以一唯一地對應於每一個幾何物件之該屬性之預定識別屬性值,取代每一個虛擬單位立方塊之該初始值,以產生一3D幾何模型張量來做為深度學習之一輸入;及以一預定格式,將該3D幾何模型張量儲存於一資料庫中。
本發明的功效在於:藉由該預處理模組,該幾何模型資料能夠被轉換為張量之形式,即透過產生該虛擬單位立方塊及該空張量之過程之後的該3D幾何模型張量。該3D幾何模型張量能夠有效地描述包含在該幾何模型資料中的大量資料,及記錄諸如該等幾何物件之屬性之描述性內容,透過使用不同識別屬性值。因此,該3D幾何模型張量能夠被直接存取及直接輸入至該深度學習模組中以用於特徵抽取及進一步應用,而不需要被轉換成用於影像分類之一2D格式。當該深度學習模組讀取該3D幾何模型張量以抽取特徵時,所花費之時間大幅縮短,因為資料量顯著減少。因而,本發明用於深度學習的三維建模軟體之幾何模型資料預處理方法及系統能夠簡化過程,且提高速度及準確性。
參閱圖1、2,在本發明用於深度學習的三維建模軟體之幾何模型資料預處理系統之一實施例中,一系統100是被組配來實施一處理一個3D建模軟體8之幾何模型資料81之方法,且包括一儲存裝置101,及一電連接該儲存裝置101之處理器102。
在本實施例中,該儲存裝置101可使用一硬碟、一固態硬碟(SSD)及其他非暫時性儲存介質之一或數個來實施。該處理器102可以是例如為一單一核心處理器、一多核心處理器、一雙核心行動處理器、一微處理器、一微控制器、一數位訊號處理器(DSP)、一場可規劃閘極陣列(FPGA)、一特定應用積體電路(ASIC),或一射頻積體電路(RFIC)等。
該儲存裝置101儲存一預處理模組5,及該3D建模軟體8。該3D建模軟體8可以是一建築資訊建模軟體,例如Revit、AECOSim Building Designer、ArchiCAD、Vectorworks Architect、Tekla等。
一3D模型80是使用該3D建模軟體8來建立,且具有一預定空間座標系,該預定空間座標系具有彼此相互正交之一第一軸、一第二軸,及一第三軸。而該等幾何模型資料81是關聯於呈現該3D模型80。在該3D模型80是Autodesk Revit的情況下,該等幾何模型資料81是以一“*.rvt”檔案之格式被儲存於該儲存裝置101中。該等幾何模型資料81含有關聯於該3D模型80中的至少一個幾何物件之資料。每一個幾何物件可被指定該預定空間座標系中之一組座標、一大小,及一屬性。
例如,該等幾何模型資料81含有相關聯於一左手坐標系820(其用作該預定空間座標系)中的該3D模型80之數個幾何物件810之資料,如圖2所示。在此範例中。該等幾何物件810包括一設備物件811、一進口管物件812、一出口管物件813、兩個牆物件818A、818B,及一地板物件819。用語“物件”前面的“設備”、 “進口管”、 “出口管”、 “牆”、 “地板”是以該等幾何物件810之屬性來加以定義。該左手坐標系820具有彼此相互正交之一X軸、一Y軸,及一Z軸。在其他實施例中,該預定空間座標系也可以是一右手坐標系。
該預處理模組5是用來預處理該等幾何模型資料81,以獲得一3D幾何模型張量(tensor,將詳述如下),該3D幾何模型張量需輸入一深度學習模組9,例如一虛擬幾何群(Visual Geometry Group,VGG)模組,且可被實施為儲存於該儲存裝置101上的指令。在一些實施例中,該預處理模組5可以是該3D建模軟體8之一外掛程式(plug-in)。當讀取及執行該等指令時,該處理器102被組配來執行處理該等幾何模型資料81之該方法。
參閱圖3,該方法包括以下步驟。在步驟S21中,該處理器102自該等幾何模型資料81讀取每一幾何物件810之該組座標、該大小、該定向,及該屬性。該處理器102對於每一物件810,進一步識別及/或計算分別沿著X、Y及X軸的維度值(亦可簡稱為“長度”)。
例如,如以下表格A1所示,每一個幾何物件810具有沿著該X軸之一第一最小長度,沿著該Y軸之一第二最小長度,及沿著該Z軸之一第三最小長度。表格A1中所列示的數值之單位可依照不同情況而變化,例如可以是英吋、英尺、公尺,或公分等。此外,在本實施例中,對於具有“牆”或“地板”之屬性之幾何物件而言,預設是將該等幾何模型資料81中的該幾何物件810之一厚度(通常是最小的維度值)予以忽略。因此,該牆物件818A沿著該Z軸之維度值、該牆物件818B沿著該X軸之維度值,及該地板物件819沿著該Y軸之維度值,全部予以忽略(如表格A1中之〝--〞所示)。
表格A1
物件 811 | 物件812 | 物件813 | 物件818A | 物件818B | 物件819 | |
第一最小長度 | 12 | 3 | 24 | 60 | -- | 60 |
第二最小長度 | 15 | 3 | 3 | 24 | 24 | -- |
第三最小長度 | 9 | 3 | 3 | -- | 60 | 60 |
在步驟S22中,該處理器102判定一虛擬單位立方塊(grid)60(如圖4所示)之一大小。該虛擬單位立方塊60被虛擬化成具有一邊長之一立方體,其中,該邊長等於該等幾何物件810之一最小維度值。例如,對於圖2及上述表格A1而言,該等幾何物件810沿著該等X、Y及Z軸的所有維度值中的最小維度值便是〝3〞。因此,該處理器102能夠判定該虛擬單位立方塊60之邊長等於〝3〞。在以下處理中,該虛擬單位立方塊60是做為重新表述該3D模型80之最小單位。
在步驟23中,該處理器102產生被虛擬化成一長方體之一空張量,其是由數個虛擬單位立方塊60組成,如圖4所示。該長方體具有基於該等幾何物件810沿著該等X、Y及Z軸之該等最大維度值之一大小。詳細來說,與表格A1類似,如表格A2所示,每一個幾何物件810具有沿著該X軸之一第一最大長度,沿著該Y軸之一第二最大長度,及沿著該Z軸之一第三最大長度。因此,該長方體可具有長度60(其為該等幾何物件810沿著該X軸之所有維度值中之最大值,以下稱為L1)、高度24(其為該等幾何物件810沿著該Y軸之所有維度值中之最大值,以下稱為L2),及寬度60(其為該等幾何物件810沿著該Z軸之所有維度值中之最大值,以下稱為L3)。換言之,該等幾何物件810整體來說具有一沿著該X軸且做為該空張量6之長度之第一最大維度值、一沿著該Y軸且做為該空張量6之高度之第二最大維度值,及一沿著該Z軸且做為該空張量6之寬度之第三最大維度值。
表格A2
物件811 | 物件 812 | 物件 813 | 物件 818A | 物件 818B | 物件 819 | |
第一最大長度 | 12 | 9 | 24 | 60 | -- | 60 |
第二最大長度 | 15 | 3 | 3 | 24 | 24 | -- |
第三最大長度 | 9 | 12 | 3 | -- | 60 | 60 |
因該空張量6之立方體是由該等虛擬單位立方塊60組成,且每一個虛擬單位立方塊60之邊長是〝3〞,故該等幾何物件810沿著該等X、Y及Z軸之維度值可被描述為沿著該等X、Y及Z軸之虛擬單位立方塊60之個數,如以下表格B所示。對於每一個幾何物件810之維度值而言,沿著對應的X、Y及Z軸之該等虛擬單位立方塊60之個數,可透過將該幾何物件810沿著對應的X、Y及Z軸之維度值,除以該虛擬單位立方塊60之邊長而獲得。若是該幾何物件810之維度值無法被該虛擬單位立方塊60之邊長整除,則該處理器102便會將商無條件向上取整。因此,若以虛擬單位立方塊60之個數來表示,則該空張量6之立方體是由3200(=20×8×20)個虛擬單位立方塊60組成。
表格B
物件811 | 物件812 | 物件813 | 物件818A | 物件818B | 物件819 | |
第一最大長度 | 4 | 3 | 8 | 20 | -- | 20 |
第一最小長度 | 4 | 1 | 8 | 20 | -- | 20 |
第二最大長度 | 5 | 1 | 1 | 8 | 8 | -- |
第二最小長度 | 5 | 1 | 1 | 8 | 8 | -- |
第三最大長度 | 3 | 4 | 1 | -- | 20 | 20 |
第三最小長度 | 3 | 1 | 1 | -- | 20 | 20 |
特別注意的是,上述表格A1、A2,及B,僅是為了便於說明,且並不一定要產生表格,該處理器102能夠在沒有任何表格之情況下執行步驟S21及S23。
在步驟S24中,該處理器102指定一初始值(例如0)給該空張量6之每一個虛擬單位立方塊60。
在步驟S25中,對於該空張量6中分別對應至該等幾何物件810之該等虛擬單位立方塊60,該處理器102以一唯一地對應於每一個幾何物件810之屬性之預定識別屬性值,取代對應的該虛擬單位立方塊60之值。例如,如圖5所示,該處理器102實際上僅取代對應於該設備物件811、該進口管物件812及該出口管物件813的該等虛擬單位立方塊60之值,因為該等牆物件818A、818B及該地板物件819被忽略了(亦即,在該空張量6中並沒有任何虛擬單位立方塊60對應至該等牆物件818A、818B或該地板物件819)。特別是,該處理器102以“1”取代對應至該設備物件811之每一個虛擬單位立方塊60之值,以“2”取代對應至該進口管物件812之每一個虛擬單位立方塊60之值,及以“3”取代對應至該出口管物件813之每一個虛擬單位立方塊60之值。以此方式,可產生相關聯於該3D模型80之一3D幾何模型張量7,如圖5所示。出於示意目的,只有三個“0”顯示在圖5之該3D幾何模型張量7中,以示意地說明有許多虛擬單位立方塊60仍有該初始值“0”。在本實施例中,該3D幾何模型張量7可以是,但是不限於,美國標準資訊交換碼(ASCII)格式之一張量,且可被轉換成一字串,因而通常可被直接讀取及使用。
在步驟S25中,該處理器102將該3D幾何模型張量7,以一預定格式,例如“*.txt”、“*.json”、“*.csv”、“*.xls”等,儲存在一資料庫51中。在本實施例中,該資料庫51儲存於該儲存裝置101中。在一些實施例中,該資料庫51可儲存於另一裝置中,例如一雲端儲存器。該3D幾何模型張量7可被進一步使用來做為該深度學習模組9之一輸入。
需注意的是,因該3D模型80通常由數億個電腦像素組成,故數量太大以至於若該3D模型80未被轉換成該3D幾何模型張量7時,則該深度學習模組9無法適當執行。在此種情況下,該3D模型80需被分割成數千批資料以輸入至該深度學習模組9(例如,VGG 16)訓練。因此,若訓練具有20萬個像素之該3D模型80的其中一批需時100秒,則要完全地完成該3D模型80之訓練,需要耗費數十萬秒。
反之,當該3D模型80被轉換成該3D幾何模型張量7時,只需要將數千個虛擬單位立方塊(grids)輸入至該深度學習模組9訓練。一般來說,只需要10到20秒即可完成該深度學習模組9之訓練。
因此,藉由該預處理模組5,該幾何模型資料81能夠被轉換為張量之形式,即透過產生該虛擬單位立方塊60及該空張量6之過程之後的該3D幾何模型張量7。該3D幾何模型張量7能夠有效地描述包含在該幾何模型資料中的大量資料,及記錄諸如該等幾何物件810之屬性之描述性內容,透過使用不同識別屬性值。因此,該3D幾何模型張量7能夠被直接存取及直接輸入至該深度學習模組9中以用於特徵抽取及進一步應用,而不需要被轉換成用於影像分類之一2D格式,也不需被分割成數千批著資料。當該深度學習模組9讀取該3D幾何模型張量7以抽取特徵時,所花費之時間大幅縮短,因為資料量顯著減少。因而,用以處理該幾何模型資料81之方法能夠簡化過程,且提高速度及準確性。所以確實能達成本發明的目的。
惟以上所述者,僅為本發明的實施例而已,當不能以此限定本發明實施的範圍,凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾,皆仍屬本發明專利涵蓋的範圍內。
100:系統
101:儲存裝置
102:處理器
5:預處理模組
51:資料庫
6:空張量
60:虛擬單位立方塊
7:3D幾何模型張量
8:3D建模軟體
80:3D模型
81:幾何模型資料
810:幾何物件
811:設備物件
812:進口管物件
813:出口管物件
818A:牆物件
818B:牆物件
819:地板物件
820:左手坐標系
9:深度學習模組
L1:長度
L2:高度
L3:寬度
S21~S25:步驟
本發明的其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:
圖1是一方塊圖,說明本發明用於深度學習的三維建模軟體之幾何模型資料預處理系統之實施例;
圖2是一示意圖,說明本實施例中使用該三維建模軟體建立的3D模型;
圖3是一流程圖,說明本發明用於深度學習的三維建模軟體之幾何模型資料預處理方法之實施例;
圖4是一示意圖,說明基於該3D模型產生且被虛擬化成由數個虛擬單位立方塊組成之一立方體之一空張量;及
圖5是一示意圖,說明關聯於該3D模型之一3D幾何模型張量。
S21~S25:步驟
Claims (5)
- 一種用於深度學習的三維(3D)建模軟體之幾何模型資料預處理方法,該幾何模型資料是關聯於呈現一3D模型,該3D模型是使用該3D建模軟體建立且含有相關聯於該3D模型中的至少一幾何物件之資料,該3D模型包括一預定空間座標系,該預定空間座標系具有彼此相互正交之一第一軸、一第二軸,及一第三軸,每一幾何物件被指定一屬性,該用於深度學習的三維建模軟體之幾何模型資料預處理方法是以一處理器實施,且包含以下步驟: 判定一虛擬單位立方塊之一大小,該虛擬單位立方塊是基於該至少一幾何物件沿著該第一軸、該第二軸及該第三軸之維度值中的一最小維度值,被虛擬化為一立方體; 產生一空張量,該空張量被虛擬化為由數個虛擬單位立方塊組成之一長方體,該長方體具有一大小,該大小是基於該至少一幾何物件沿著該第一軸、該第二軸及該第三軸之維度值中的一最大維度值來判定; 指定一初始值給該空張量之每一虛擬單位立方塊; 對於該空張量中對應至該至少一幾何物件之該等虛擬單位立方塊,以一唯一地對應於每一個幾何物件之該屬性之預定識別屬性值,取代每一個虛擬單位立方塊之該初始值,以產生一3D幾何模型張量來做為深度學習之一輸入;及 以一預定格式,將該3D幾何模型張量儲存於一資料庫中。
- 如請求項1所述的用於深度學習的三維建模軟體之幾何模型資料預處理方法,其中,該至少一幾何物件整體來說,具有一沿著該第一軸之第一最大維度值、一沿著該第二軸之第二最大維度值,及一沿著該第三軸之第三最大維度值,其中,該產生一空張量之步驟包括,使用該第一最大維度值做為該長方體之一長度,使用該第二最大維度值做為該長方體之一高度,及使用該第三最大維度值做為該長方體之一寬度。
- 如請求項2所述的用於深度學習的三維建模軟體之幾何模型資料預處理方法,其中,該判定一虛擬單位立方塊之步驟包括,判定該至少一幾何物件之最小維度值,及使得該虛擬單位立方塊之一邊長等於該最小維度值。
- 如請求項2所述的用於深度學習的三維建模軟體之幾何模型資料預處理方法,其中,該產生一空張量之步驟包括,對於該至少一幾何物件之每一維度值,將該維度值除以該虛擬單位立方塊之該邊長,及在該至少一幾何物件之該維度值無法被該虛擬單位立方塊之該邊長整除的情況下,無條件地將一商向上取整為一整數。
- 一種用於深度學習的三維建模軟體之幾何模型資料預處理系統,該幾何模型資料是關聯於呈現一3D模型,該3D模型是使用該3D建模軟體建立且含有相關聯於該3D模型中的至少一幾何物件之資料,該3D模型包括一預定空間座標系,該預定空間座標系具有彼此相互正交之一第一軸、一第二軸,及一第三軸,每一幾何物件被指定一屬性,該用於深度學習的三維建模軟體之幾何模型資料預處理系統包含: 一儲存裝置,具有儲存於其內的該3D建模軟體、該等幾何模型資料,及一預處理模組;及 一處理器,電連接該儲存裝置,且當執行該預處理模組時,被組配以: 判定一虛擬單位立方塊之一大小,該虛擬單位立方塊是基於該至少一幾何物件沿著該第一軸、該第二軸及該第三軸之維度值中的一最小維度值,被虛擬化為一立方體; 產生一空張量,該空張量被虛擬化為由數個虛擬單位立方塊組成之一長方體,該長方體具有一大小,該大小是基於該至少一幾何物件沿著該第一軸、該第二軸及該第三軸之維度值中的一最大維度值來判定; 指定一初始值給該空張量之每一虛擬單位立方塊; 對於該空張量中對應至該至少一幾何物件之該等虛擬單位立方塊,以一唯一地對應於每一個幾何物件之該屬性之預定識別屬性值,取代每一個虛擬單位立方塊之該初始值,以產生一3D幾何模型張量來做為深度學習之一輸入;及 以一預定格式,將該3D幾何模型張量儲存於一資料庫中。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163251843P | 2021-10-04 | 2021-10-04 | |
US63/251843 | 2021-10-04 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202316378A true TW202316378A (zh) | 2023-04-16 |
TWI824727B TWI824727B (zh) | 2023-12-01 |
Family
ID=85775391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111135545A TWI824727B (zh) | 2021-10-04 | 2022-09-20 | 用於深度學習的三維建模軟體之幾何模型資料預處理方法及系統 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230104518A1 (zh) |
TW (1) | TWI824727B (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202001804A (zh) * | 2018-04-20 | 2020-01-01 | 成真股份有限公司 | 用精細解析進行資料管理和機器學習的方法 |
-
2022
- 2022-09-20 TW TW111135545A patent/TWI824727B/zh active
- 2022-09-27 US US17/953,669 patent/US20230104518A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230104518A1 (en) | 2023-04-06 |
TWI824727B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baert et al. | Out-of-core construction of sparse voxel octrees | |
Shao et al. | Imagining the unseen: Stability-based cuboid arrangements for scene understanding | |
US20150279091A9 (en) | Voxelization techniques | |
US9158297B2 (en) | Computing device and method for generating measurement program of product | |
Greß et al. | GPU‐based collision detection for deformable parameterized surfaces | |
CN107464286B (zh) | 三维城市模型中的孔洞修复方法及装置、设备及可读介质 | |
US9177418B1 (en) | System and method for converting computer aided design data into a three dimensional model | |
CN104504760B (zh) | 实时更新三维图像的方法和系统 | |
CN110060255A (zh) | 利用逐像素分类器来对2d平面图进行语义分割 | |
Wang et al. | Feature-sensitive tetrahedral mesh generation with guaranteed quality | |
US20120287128A1 (en) | Electronic device and method for meshing curved surface | |
Zhao et al. | Optimization algorithm for point cloud quality enhancement based on statistical filtering | |
EP2826023B1 (en) | Systems and methods for creating a three-dimensional texture atlas | |
JP2015191617A (ja) | 算出プログラム、算出装置および算出方法 | |
JP6253053B2 (ja) | データ探索装置、データ探索装置の制御方法およびデータ探索装置の制御プログラム | |
CN114169055A (zh) | 使bim模型轻量化的方法及系统 | |
WO2019153445A1 (zh) | 一种布人碰撞的方法及装置 | |
CN111210501B (zh) | 一种室内建模方法、装置及终端设备 | |
TWI824727B (zh) | 用於深度學習的三維建模軟體之幾何模型資料預處理方法及系統 | |
CN117649483A (zh) | 用于3d虚拟模型的建模系统 | |
Chen et al. | Flexible and rapid animation of brittle fracture using the smoothed particle hydrodynamics formulation | |
Skorkovská et al. | A Simple and Robust Approach to Computation of Meshes Intersection. | |
JP2019106187A (ja) | 有限要素メッシュの修復のためのシステムおよび方法 | |
Masson et al. | Comparison of algorithms for 3d reconstruction | |
Fayolle et al. | Optimized surface discretization of functionally defined multi-material objects |