MARC

 008250123s2024        us                              c    eng  d
■001000017161715
■00520250211151435
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384447771
■035    ▼a(MiAaPQ)AAI31295553
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aNarayanan,  Arjun.
■24510▼aMachine  Learning  Methods  to  Optimize  the  Geometry  and  Topology  of  Meshes
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a125  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Persson,  Per-Olof;Shadden,  Shawn.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aMeshes  are  used  ubiquitously  in  engineering  for  representing  geometries,  performing  computational  simulations,  and  generating  computer  graphics  renderings.  Automatically  generating  suitable  meshes  for  downstream  applications  remains  a  key  bottleneck  in  many  workflows  and  often  requires  significant  manual  intervention.  It  is  challenging  to  optimize  mesh  data-structures  because  they  can  be  highly  unstructured  in  their  most  general  form.A  mesh  has  two  fundamental  attributes  -  geometry  and  topology.  Geometry  deals  with  the  position  and  shape  of  objects  in  space.  Topology  is  concerned  with  the  connectivity  of  mesh  elements.  It  is  essential  to  optimize  both  of  these  attributes  to  generate  a  desirable  mesh  for  a  target  application  such  as  simulation.  This  dissertation  explores  machine  learning  methods  to  optimize  both  of  these  attributes.The  first  part  of  this  dissertation  is  concerned  with  mesh  topology.  We  will  describe  a  deep  reinforcement  learning  framework  to  optimize  the  topology  of  2D  meshes  using  elementary  mesh  editing  operations.  The  framework  is  trained  purely  in  self-play  reinforcement  learning  to  optimize  a  given  user  defined  objective  function.  We  describe  a  novel  neural  network  architecture  that  is  able  to  encode  the  local  topology  of  a  mesh  around  a  given  mesh  neighborhood.  Subsequently,  the  neural  network  is  trained  to  predict  a  probability  distribution  over  the  local  action  space  in  order  to  maximize  the  cumulative  reward  as  prescribed  by  the  given  objective  function.  The  agent  is  trained  on  randomly  generated  2D  polygonal  shapes.  We  demonstrate  generalization  to  inputs  that  were  never  seen  during  training.  The  proposed  framework  is  particularly  effective  at  coarse  block  decomposition  of  polygonal  shapes  where  the  aim  is  to  minimize  the  number  of  irregular  vertices  in  the  mesh.We  will  then  tackle  the  problem  of  geometry.  We  describe  a  deep  learning  method  to  automatically  generate  patient-specific,  simulation  ready  3D  surface  meshes  of  the  human  heart  directly  from  clinical  imaging.  The  proposed  method  is  a  two-stage  mesh  deformation  process  that  transforms  a  given  template  mesh  to  match  the  underlying  target  geometry  in  the  image  data.  The  first  stage  consists  of  a  learned  affine  transformation  conditioned  on  the  input  image.  This  stage  is  trained  to  roughly  align  the  template  in  terms  of  scale  and  orientation  to  the  image  data.  The  second  stage  consists  of  a  learned  local  diffeomorphic  deformation  field  conditioned  on  the  image  and  the  current  location  of  the  template.  This  stage  improves  the  accuracy  of  the  prediction  by  capturing  finer  details  of  the  target  geometry.  We  describe  a  novel  loss  function  derived  from  the  kinematics  of  motion  of  continuous  bodies  that  penalizes  undesirable  phenomenon  such  as  surface  interpenetration  resulting  in  anatomically  accurate,  physically  realistic,  simulation  ready  meshes.  The  proposed  framework  is  validated  against  a  large  held-out  test  dataset  and  compared  with  prior  state-of-the-art  along  a  variety  of  accuracy  and  quality  metrics.
■590    ▼aSchool  code:  0028.
■650  4▼aMechanical  engineering
■650  4▼aComputer  science
■650  4▼aApplied  mathematics
■653    ▼aMachine  learning
■653    ▼aMesh  generation
■653    ▼aReinforcement  learning
■653    ▼aMesh  topology
■690    ▼a0548
■690    ▼a0984
■690    ▼a0364
■71020▼aUniversity  of  California,  Berkeley▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161715▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서