- https://www.pair.toronto.edu/csc2547-w21/schedule/
- 本课程介绍三维视觉的深度学习方法与现代进展。本文将在目标和场景层面上研究三维视觉任务的表示、学习方法与生成模型。而后将研究集合深度学习与深度学习相关的流形学习概念。本主题的3D特性在图形学、机器人学、内容创建、混合现实、生物特征识别等方面有很多潜在的应用。
-
- 课程介绍+3D表征介绍
-
- 现代机器学习中的3D数据表征
- PointNet & PointNet++
- 3D形状的局部深度隐函数
- 可选, Point2Surf, NOCS, DeepSDF
-
- 学习：3D形状建模
- PointConv
- 用于点云学习的动态图CNN
- KPConv
- DeepSDF
- 可选, PCT(Point Cloud Transformer), Learning Deformable Tetrahedral Meshes for 3D Reconstruction, PIE-NET
-
- 3D数据处理的计算效率+场景理解
- 客座演讲: Dr. Chris Choy， Nvidia，提出了MinowskiNets
- 用于3D语义分割演示的虚拟多视图融合
- 3D-SIS: RGBD扫描演示的3D语义实例分割
- 可选, 使用Flow Capsules的无监督部分表示, OccuSeg, SparseConvNet
-
- 3D生成建模
- 三维结构生成模型的学习
- PolyGen
- 学习梯度场的形状生成
- ShapeAssembly, 形状装配
- 可选，StructureNet
-
- 可区分渲染
- 可区分渲染, 综述
- 基于边缘采样的蒙特卡洛光线追踪
- 具有隐式照明与材料呈现的多视角神经表面重建
- 可微体积渲染
- 可选, Soft Rasterizer: 用于基于图像的3D推理的可微渲染器, 学习使用基于插值的可微渲染器预测3D对象
-
- 神经渲染NeRF
- 神经体积渲染: NeRF及其他
- 野外中的NeRF: 使用无约束图像集合的神经辐射场
- 场景表示网络: 连续3D结构感知神经场景表示
- 用于外观采集的神经反射场
-
- NeRF应用
- NSVF: 神经稀疏体素场
- NeRFies: 变形体素神经辐射场
- iNeRF: 用于姿态估计演示的逆神经辐射场
- 可选, NASA, 神经关节形状近似; GRF: 学习一个通用的3D场景表示和渲染光场;
-
- 等变与不变
- 等距变换不变与等变图卷积网络
- 规范等变网格CNN表示
- 对称元素表示
- 基于旋转等变特征表示的曲面有线神经网络
- 神经网格流: 基于微分流的三维流形网格生成
-
- 无监督3D学习
- 野外图像中的可能对称变形3D目标无监督学习
- 规范胶囊: 无监督胶囊在笛卡尔姿态呈现
- 点对比PointContrast, 三维点云理解的无监督预训练
- 学习Delaunay曲面元素用于网格重建
- 可选: KeypointNet:通过端对端几何推理法线潜在的3D关键点; 用于3D人体姿态估计的无监督几何感知表示学习; 用流胶囊实现的无监督部件表示; 通过野外多视图图像实现的弱监督3D人体姿态学习；
-
- 超越计算机视觉的几何深度学习
- 客座, Prof. Jonathan Kelly，自监督深度姿态校正的鲁棒视觉里程计
- 等距变换不变与等变图卷积神经网络
- 基于RGB图像的6D目标检测隐式三维方向学习
- NeMo: 鲁棒三维姿态估计
- 可选, 6DoF GraspNet: 用于目标操作的抓取生成, 稠密融合: 通过迭代稠密融合的6D对象姿态估计，密集对象网格, 用于类别级机器人操作的关键点提供
-
- 机器人中的3D视觉
- 快速端到端的蛋白质表面光
- 关系归纳偏差, 深度学习和图形网格演示
- LanczosNet, 多尺度深度卷积网格演示
- SIREN: 隐式神经表征与周期性激活函数
- 可选, RigNet: 关节性字符的神经操纵, 3DGV研讨会 Michael Bronstein- 几何深度学习
-
- 摄像机几何
-
- 摄像机标定
-
- 单视图几何
-
- 三维重建基础及极几何
-
- 双目立体视觉
-
- 多视图几何
-
- 运动恢复结构系统解析
-
- SLAM系统解析
-
- SLAM系统解析
-
- 总结篇
- 全面讲解三维点云经典算法与深度学习前言算法；
- 手写经典的点云处理算法，不依赖PCL等第三方库
- 准备
- 开课仪式
- 获取免费的GPU服务器资源
- 点云作业要求
- part1 introduction and basic algorithms，简单介绍了点云数据的特性，从数据特性出发，讲解了PCA算法在点云处理中的算法原理与实际应用，还介绍了其他演变算法。
- 三维点云介绍
- 本章知识点的实际应用
- PCA与Kernel PCA
- 表面法向量与滤波器
- ModelNet40
- 作业题1
- part2 最近邻问题，从最基础的二叉树结构开始讲解，讲述了最近邻算法的基础框架，之后扩展到KDtree和Octree.
- 二叉搜索树
- KD-Tree
- OCtree
- 作业
- part3 聚类, 系统讲解了各种经典点云聚类算法，从基础公式推导讲起，详细讲述了各种点云聚类算法的实现思路和详细流程。
- 数学要求
- k-means
- GMM
- EM
- spactral clustering
- 作业3
- part4 模型拟合，讲解了一些适用性更广泛的聚类算法，如谱聚类、均值漂移以及DBSCAN，之后由点云聚类**引出模型拟合的概念，探讨了经典的Hough变换以及RANSAC算法理念，将RANSAC理念用在地平面分割上。
- spectral clustering
- mean shift & dbscan
- least_square
- hough_transform
- ransac
- 作业4
- part5 点云深度学习
- PointNet
- PointNet++
- DGCNN
- GCN
- 作业5
- part6 3D目标检测
- 基于图像的目标检测
- VoxelNet & PointPillar
- PointRCNN
- fusion
- 作业6
- part7 3d特征检测
- 引言与harris 2d
- harris 3d & 6d
- intrinsic shape signatures(ISS)
- Deep learning 3D features - USIP
- SO-Net
- 作业7
- part8 3D特征描述
- 经典方法PFH & FPFH
- 经典方法SHOT
- 3DMatch & Perfect Match
- PPFNet & PPF-FoldNet
- 作业8
- part9 配准
- ICP
- NDT
- RANSAC配准
- 作业9
- part10
- 大作业
- 引言；
- 几何基础；
- 机器学习与几何模型介绍
- 形状描述子
- 刚体形状配准
- 形状分割与标记
- 形状相似性与检索，非刚性配准
- 共同配准，功能地图
- 形状建模
- 形状重建与合成
- 深度学习介绍
- 多视角数据Deepnet
- 体积数据Deepnet
- 点云数据Deepnet
- 场景分析
- 图CNN Deepnet
- 点云表征的3D深度学习
- 形状分析的持久同调?
- 基于点云分析和联合嵌入的三维深度学习
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent