Skip to content

ZhenhLi/3D-Course

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

3 Commits
 
 
 
 

Repository files navigation

1.公开课CSC2547

  • 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。

目录结构

    1. 课程介绍+3D表征介绍
    1. 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
    1. 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
    1. 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
    1. 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
    1. 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
    1. 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
    1. 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;
    1. 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
    1. 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;
    1. 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
    1. 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

2.鲁鹏-北邮-计算机视觉之三维重建

目录

    1. 摄像机几何
    1. 摄像机标定
    1. 单视图几何
    1. 三维重建基础及极几何
    1. 双目立体视觉
    1. 多视图几何
    1. 运动恢复结构系统解析
    1. SLAM系统解析
    1. SLAM系统解析
    1. 总结篇

3.深蓝学院 三维点云处理课程

  • 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

课程目录

  • 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,之后由点云聚类思想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

4. cs468-spring2017-MachingLearningfor3DData

课程目录

  • 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

About

No description, website, or topics provided.

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published