[論文レビュー] CAD 3D Model classification by Graph Neural Networks: A new approach based on STEP format

Lorenzo Mandelli, S. Berretti|arXiv (Cornell University)|Oct 30, 2022

Manufacturing Process and Optimization被引用数 5

ひとこと要約

本稿では、形式変換を経ないネイティブなSTEPフォーマットファイルから直接、幾何的プリミティブをグラフ構造に変換することで、3次元CADモデルの分類および検索に向けた新しいグラフニューラルネットワーク（GNN）ベースの手法を提案する。本手法は、独自のデータセットで98.9%のmAPを達成し、PointNet++を上回り、同等の3次元フォーマットでMVCNNと同等の性能を示した。

ABSTRACT

In this paper, we introduce a new approach for retrieval and classification of 3D models that directly performs in the Computer-Aided Design (CAD) format without any conversion to other representations like point clouds or meshes, thus avoiding any loss of information. Among the various CAD formats, we consider the widely used STEP extension, which represents a standard for product manufacturing information. This particular format represents a 3D model as a set of primitive elements such as surfaces and vertices linked together. In our approach, we exploit the linked structure of STEP files to create a graph in which the nodes are the primitive elements and the arcs are the connections between them. We then use Graph Neural Networks (GNNs) to solve the problem of model classification. Finally, we created two datasets of 3D models in native CAD format, respectively, by collecting data from the Traceparts model library and from the Configurators software modeling company. We used these datasets to test and compare our approach with respect to state-of-the-art methods that consider other 3D formats. Our code is available at https://github.com/divanoLetto/3D_STEP_Classification

研究の動機と目的

• 大規模なリポジトリにおける3次元CADモデルの手動分類の非効率性と誤りの多い問題に対処する。
• 点群やメッシュなどの変換フォーマットに依存する従来の3次元モデル分類手法の限界を克服する。これにより、幾何的およびパrametric情報が損なわれるのを防ぐ。
• STEPフォーマットに内在する連結構造を活用することで、ネイティブCADデータからの直接学習を可能にする。
• 分類および検索タスクのための、ネイティブSTEPフォーマットの3次元CADモデルから構成される新しいベンチマークデータセットを構築および検証する。
• GNNをグラフ構造のCADデータに適用することで、変換された3次元フォーマットで学習された最先端モデルを上回ることを実証する。

提案手法

• 3次元CADモデルをSTEPフォーマットでグラフ表現に変換し、ノードを幾何的プリミティブ（例：面、頂点）として、エッジをそれらの間のトポロジカル接続として定義する。
• グラフ畳み込みネットワーク（GCNs）を用いて、グラフ構造のCADデータから階層的で構造的な特徴を学習し、分類および検索に活用する。
• 類似度検索のため、GNNの最終的なソフトマックス層からの特徴ベクトルを抽出し、コサイン距離を用いて比較する。
• 2つの独自データセットを構築した。1つはTracepartsのオンラインライブラリから、もう1つはConfigurators s.r.l.ソフトウェア会社のデータから構成され、手動でクラスに分類されたネイティブCADモデルである。
• 特徴ベクトルの比較にコサイン類似度を適用し、検索評価のための平均平均精度（mAP）を計算する。
• 異なるGNN層からの特徴抽出を評価することでモデル性能を最適化し、mAPの観点からソフトマックス層を最適な抽出層として選定した。

実験結果

リサーチクエスチョン

• RQ1 ネイティブなSTEPフォーマットから直接処理する場合、グラフニューラルネットワーク（GNN）は3次元CADモデルの分類を効果的に行えるか？
• RQ2 変換された3次元フォーマット（点群やメッシュ）で学習した最先端モデル（例：PointNet++ や MVCNN）と比較して、GNNがグラフに変換されたCADデータで得られる性能はどの程度か？
• RQ3 特徴ベクトル抽出層（例：ソフトマックス層 vs. 以前の全結合層）の選択が、mAPを指標とした検索性能に与える影響は何か？
• RQ4 CADモデルの構造的複雑さ（例：ノード数やアーク数）が、グラフ表現のスケーラビリティおよびメモリ使用量にどの程度影響を及えるか？
• RQ5 CADモデルに内在する階層的およびパrametric情報は、幾何的タイプのみに依存する分類精度をさらに向上させるために、さらに活用可能か？

主な発見

• 特徴ベクトルをソフトマックス層から抽出し、コサイン距離を用いた場合、最初の独自データセットで平均平均精度（mAP）が0.989を達成した。
• 最初のデータセットでは分類精度が100%に達し、2番目のデータセットでは97.5%を記録した。これは、ネイティブCADデータに対する強力な一般化性能を示している。
• ソフトマックス層が最も高いmAPを達成し、特に最初の全結合層（ReLU活性化関数）の0.919を大きく上回った。これは、検索に適した有効性を裏付けた。
• 点群に変換された同等のデータに対してPointNet++を上回り、複数の2次元ビュー表現でMVCNNと同等またはそれを上回る性能を示した。
• グラフのストレージサイズはノード数およびアーク数に比例的に増加し、40,000ノードのグラフでは最大11MB（.graphmlファイル）に達した。これは、複雑なモデルにおいてメモリおよびスケーラビリティの課題を示している。
• 本研究では、グラフサイズのばらつきが大きいモデル（例：クラス2）は分類が難しく、データ内の構造的不規則性に感受することが判明した。