트랜스포머 디코더 기반 레고 모형 생성을 위한 조립 시퀀스 예측 방법
DC Field | Value | Language |
---|---|---|
dc.contributor.author | 박종규 | - |
dc.contributor.author | 이주헌 | - |
dc.contributor.author | 홍제형 | - |
dc.date.accessioned | 2023-09-11T03:29:24Z | - |
dc.date.available | 2023-09-11T03:29:24Z | - |
dc.date.created | 2023-09-05 | - |
dc.date.issued | 2023-02-09 | - |
dc.identifier.uri | https://scholarworks.bwise.kr/hanyang/handle/2021.sw.hanyang/190505 | - |
dc.description.abstract | 대부분의 구조물 건축 시 부피, 접합 위치 등 다양한 제약조건을 고려해 기초 요소들을 순차적으로 조립하여 형성한다. 이와 비슷하게 여러 제약조건을 갖췄지만 비교적 단순한 레고 블록을 기초 요소로 삼아 조립 시퀀스를 예측하는 연구가 수행되고 있다. 기존 연구들은 베이지안 최적화 기법 및 그래프 생성 모델을 기반으로 레고 블록 조립 시퀀스를 예측해, 특정 모형 구축 또는 조건부 클래스의 새로운 모형 생성을 목표로 하여 성공했으나, 오랜 추론 시간, 저품질의 모형 양산 등의 한계를 보였다. 본 논문에선 이러한 한계를 극복하기 위해 레고 블록의 중심점 성분들 (x,y,z)과 방향 성분(d)을 1차원 공간에서의 일련의 시퀀스로 취급해 트랜스포머 디코더 모델을 기반으로 조립 순서를 예측하는 방법을 제안한다. 또한 추론 시 top-k, temperature 샘플링을 활용하여 특정 모형 구축과 원하는 클래스의 새로운 모형을 생성하는 기법을 제시한다. 최종적으로 본 논문에서 제시하는 방법이 실험적으로 기존 연구들에 비해 더 우수한 목표 모형 구축을 위한 조립 시퀀스 예측, 원하는 클래스의 새로운 모형 생성 능력, 소요 시간 절감 성능을 얻었음을 보인다. | - |
dc.language | 한국어 | - |
dc.language.iso | ko | - |
dc.publisher | 한국방송·미디어공학회 | - |
dc.title | 트랜스포머 디코더 기반 레고 모형 생성을 위한 조립 시퀀스 예측 방법 | - |
dc.type | Conference | - |
dc.contributor.affiliatedAuthor | 홍제형 | - |
dc.identifier.bibliographicCitation | , pp.1 - 6 | - |
dc.relation.isPartOf | 35th Workshop on Image Processing and Image Understanding | - |
dc.citation.startPage | 1 | - |
dc.citation.endPage | 6 | - |
dc.citation.conferencePlace | KO | - |
dc.citation.conferenceDate | 2023-02-08 | - |
dc.type.rims | CONF | - |
dc.description.journalClass | 2 | - |
dc.identifier.url | http://www.ipiu.or.kr/images/mtl01r-20-0043/sub/ipiu23_230203-1.pdf | - |
Items in ScholarWorks are protected by copyright, with all rights reserved, unless otherwise indicated.
222, Wangsimni-ro, Seongdong-gu, Seoul, 04763, Korea+82-2-2220-1365
COPYRIGHT © 2021 HANYANG UNIVERSITY.
Certain data included herein are derived from the © Web of Science of Clarivate Analytics. All rights reserved.
You may not copy or re-distribute this material in whole or in part without the prior written consent of Clarivate Analytics.