3D深度学习课程

01

Stanford CS231A: Computer Vision-From 3D Reconstruction to Recognition

该课程介绍计算机视觉的概念和应用。主题包括:相机和投影模型、低层次的图像处理方法,如滤波和边缘检测,中等层次的视觉处理,如分割和聚类,以及高层次的视觉处理,如物体识别、场景识别、人脸检测和人体运动分类和三维重建等。需要的基础知识有:线性代数、基本概率和统计。

https://github.com/dianyunPCL/multi_view_geometry/tree/master/cs231a-notes

02

UCSD CSE291-I00: Machine Learning for 3D Data

这是一门研究生水平的课程,涵盖计算机视觉和机器学习中使用的几何相关内容的核心概念和算法。课程讲师是Hao su ,主要介绍几何微分的概念、计算机几何图形学、视觉和机器学习中的应用,特别是深度学习部分。其中一半是讲师授课,一半是学生完成项目的演示,非常值得学习。需要的基础知识:线性代数、优化、机器学习等基础知识。

https://github.com/dianyunPCL/deep_learning-point-cloud/tree/master/UCSD%20CSE291-I00%20Machine%20Learning%20for%203D%20Data

03

Stanford CS468: Machine Learning for 3D Data

该课程将探讨在3D数据分析和合成方面,有监督和无监督机器学习的最新算法。在简单介绍几何基础和表示方法之后,重点介绍将机器学习方法用于3D形状分类、分割和对称检测,以及新的形状合成。以及研究点云或几何图形形式数据的深层神经架构,和将语义信息与对象模型关联的架构。最后将介绍三维形状设计的生成模型,例如生成自适应的对抗网络(GANs)。课程的数据源包括公共三维模型库(如Trimble 3D Warehouse或Yobi3D)和标记的语义信息的数据库(如ShapeNet)。

http://graphics.stanford.edu/courses/cs468-17-spring/

04

MIT 6.838: Shape Analysis

该课程介绍分析几何数据所需的数学、算法和统计工具,以及在计算机图形学、计算机视觉、医学成像、机器学习、建筑等领域的应用。包括了:微分几何的应用介绍;曲率的离散概念;通过有限元方法(FEM)和离散外部微积分(DEC)等

https://github.com/dianyunPCL/deep_learning-point-cloud/tree/master/MIT%206.838%20Shape%20Analysis

05

Princeton COS 526: Advanced Computer Graphics

本课程将学习计算机图形学中的高级课题,包括计算摄影、几何建模、形状分析和图像渲染等方法。

https://github.com/dianyunPCL/deep_learning-point-cloud/tree/master/Princeton%20COS%20526%20Advanced%20Computer%20Graphics

06

Princeton CS597: Geometric Modeling and Analysis

三维数据数据库在计算机图形学、计算机辅助设计、分子生物学、古生物学和医学等多个领域变得越来越普遍。本课程将学习几何分析和从这些数据库中检索三维形状的算法。研究的重点将是匹配、配准、识别、分类、聚类、分割和理解3D数据的方法。

https://github.com/dianyunPCL/deep_learning-point-cloud/tree/master/Princeton%20CS597%20Geometric%20Modeling%20and%20Analysis

07

Geometric Deep Learning

在过去的十年中,深度学习方法(例如卷积神经网络和循环神经网络)允许在各种不同领域(例如计算机视觉和语音识别)产生的广泛问题上实现前所未有的性能。尽管获得了这些结果,但迄今为止,对DL技术的研究主要集中在欧几里得域(即网格)上定义的数据上。然而,在许多不同的领域,例如:生物学、物理学、网络科学、推荐系统和计算机图形学;人们可能需要处理非欧几里得域(即图形和流形)上定义的数据。直到最近,在这些特定领域采用深度学习的做法一直滞后,主要是因为数据的非欧几里得性质使得基本运算(如卷积)的定义变得相当难以捉摸。几何深度学习从这个意义上讲是将深度学习技术扩展到图形/流形结构数据。

http://geometricdeeplearning.com/

原文发布于微信公众号 - 点云PCL(dianyunPCL)

原文发表时间:2019-07-01

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券