Güney Kaliforniya Üniversitesi Phd Wang Weiyue: Nokta Bulutu Segmentasyonunda Derin Öğrenme Uygulaması Paylaşım Özeti
Lei Feng.com AI teknolojisi yorum notu: Robotik ve insansız sürüşte lidar ve RGBD kameralar gibi 3B sensörlerin yaygın olarak uygulanmasıyla, 3B nokta bulutu verilerinde derin öğrenme araştırması son iki yılda yaygın bir ilgi gördü. Nokta bulutu segmentasyonu, tanıma ve algılama, akademi ve sektördeki en sıcak konulardan biri haline geldi.
Kısa bir süre önce, GAIR konferans salonunda, Güney Kaliforniya Üniversitesi Bilgisayar Bilimleri Bölümü'nde doktora adayı olan Wang Weiyue, nokta bulutu segmentasyonu konusundaki son çalışmasını paylaştı.
Weiyue Wang, Güney Kaliforniya Üniversitesi Bilgisayar Bilimleri Bölümü'nde doktora adayıdır. Danışmanı Profesör Ulrich Neumann'dır. Ana araştırma yönü bilgisayarla görme ve üç boyutlu görmedir. Araştırma çalışmaları CVPR, ICCV, ECCV vb. Yayınlarda yayınlandı. Sınıf oynatma bağlantısını açın:
Konuyu paylaş : Nokta Bulutu Segmentasyonunda Derin Öğrenmenin Uygulanması
Anahat paylaş
Nokta bulutu üzerinde derin öğrenmenin uygulanması.
2D görüntülerin örnek bölümleme ve nesne algılama.
SGPN: nokta bulutlarının örnek segmentasyonu ve nesne tespiti. (SGPN: 3D Point Cloud Örnek Segmentasyonu için Benzerlik Grubu Teklif Ağı)
RSNet: Nokta bulutlarının anlamsal bölümlemesi. (Nokta Bulutlarında 3B Segmentasyon için Tekrarlayan Dilim Ağları)
Leifeng.com AI Technology Review tarafından derlenen paylaşım içeriği aşağıdadır:
Herkese merhaba, ben Güney Kaliforniya Üniversitesi'nden Phd Wang Weiyue. Ana araştırma yönüm bilgisayar vizyonu (esas olarak 3B vizyona odaklanıyor). Bugün nokta bulutu segmentasyonunda derin öğrenmenin uygulamasını tanıtıyoruz. Üç boyutlu nesneleri ve sahneleri ifade etmenin 3B ağ, Hacimsel veriler, uzaklık alanı vb. Gibi birçok yolu olduğunu biliyoruz. Nokta bulutu, nispeten basit ve basit bir temsil yöntemidir. Önce nokta bulutu (Pinot Bulutu) nedir, nokta bulutu birçok üç boyutlu noktanın koordinatlarının bir koleksiyonudur, bu koleksiyonun tamamı sahnenin veya nesnenin geometrik bilgilerini yansıtabilir, bilgisayarda N * 3 boyutlu bir matristir , N nokta sayısını temsil eder, üç boyutlu x, y, z koordinatlarıdır (tabii ki N * 6, yani x, y, z, r, g, b), lazer, radar ve derinlik kamerası ile Donanım ekipmanının geliştirilmesiyle, 3B sahneleri daha iyi yakalayabileceğiz. 3B bilginin işlenmesi de büyük bir endişe konusu ve şu anda popüler. Nokta bulutlarını toplamanın ana yöntemleri lidar ve derinlik kamerasıdır (derinlik kamerası tarafından toplanan derinlik haritası, kamera parametreleri aracılığıyla 3B nokta bulutunu hesaplayabilir). Bugünkü dersimiz nokta bulutu segmentasyonuna odaklanıyor.
Bugün tanıtmak istediğim nokta bulutu segmentasyonu, biri anlamsal segmentasyon ve örnek segmentasyon olmak üzere iki katman var.Sözde anlamsal segmentasyon, noktanın masa mı yoksa sandalye mi olduğu gibi her noktaya bir etiket atamaktır. Örnek bölümleme, anlamsal bölümleme atarken aynı anda her farklı nesneyi bölümlere ayırmaktır.Örneğin, bir odada çok sayıda sandalye vardır ve her nokta 1. sandalye, 2. koltuk olarak etiketlenir. Örnek bölümleme, nesne algılama, yani nesne algılama ile yakından ilgilidir Nesne algılama: Bir sahne için, istediğiniz nesneyi algılayın ve ona bir sınırlayıcı kutu verin. Örnek bölümleme, her noktayı işaretlemesi gerektiğinden nesne algılamadan biraz daha zor bir sorundur. Bugün esas olarak en son CVPR ile ilgili iki çalışmayı tanıtacağım, biri nokta bulutlarının örnek segmentasyonu: benzerlik grubu öneri ağı, diğeri ise nokta bulutlarının anlamsal segmentasyonu için ağ, tekrarlayan dilim ağı.
İlk olarak SGPN'yi tanıtın: örnek segmentasyon ağı
Bundan önce, 2D'nin örnek segmentasyonu ve nesne algılamayı nasıl yaptığını gözden geçirmek istiyorum.
Hepimiz 2D CNN'nin nesne tespitinde görece iyi sonuçlar elde ettiğini biliyoruz.Bu, tümü R-CNN'den başlayan hızlı R-CNN dahil olmak üzere bir dizi R-CNN çalışmasıdır. R-CNN, resimden seçici aramayı kullanır. Bölge Önerisinin bir kısmını çıkarın, ardından her bir teklifi CNN ağına sığdırın ve ardından sınıflandırın. Nesne algılama için bu yöntemi kullanır. R-CNN'nin çalışmasına göre, daha hızlı R-CNN seçici aramanın yerini alır, teklifi almak için Bölge Teklif ağı üzerinden her Bölge Teklifinin göreceli çapa ofsetini geriler ve sonra bu bütün bir uçtan uca bir ağdır. Bazı piksellerin sınırlayıcı kutusu ve her bir sınırlayıcı kutu tarafından temsil edilen her nesnenin olasılığıdır. Daha hızlı R-CNNnin ICCVnin en iyi kağıdı, görüntü düzeyinde örnek segmentasyonu yaparak elde edilen Mask R-CNNdir. Daha Hızlı R-CNN Bölge Teklifi ağını takip ederler ve ardından buna dayalı bir sınırlayıcı kutu oluştururlar. Nesne maskesi üretilir, biz de bu Bölge Teklifi konseptini kullanırız ve daha sonra detaylı olarak tanıtacağım nokta bulutunu segmentlere ayırırız.
Bir diğer ilgili çalışma da 3D derin öğrenmedir. 2D CNN'den 3D CNN'ye en doğrudan yöntem Volumetric CNN'dir.Tabii ki bu GPU belleğinin sınırlandırılmasından kaynaklanmaktadır ve yüksek doğruluk elde etmenin bir yolu yoktur. Geçen yıl, CVPR'deki Stanford araştırmacıları, nokta bulutu için bir ağ olan PointNet'i önerdiler.N * 3 nokta bulutlarını ağa beslediler ve ardından son katmandaki global özelliği çıkarmak için maksimum havuzlamayı kullandılar ve ardından bu global özelliği birleştirdiler. Her nokta bulutu için ve daha sonra segment, ağımız, özellikleri çıkarmak için pointnet ve takip eden çalışma pointnet ++ temelinde oluşturulmuştur.
Aynı zamanda ilgili bir çalışmamız var, derin metrik öğrenme, Çince: metrik öğrenme Derin öğrenmede tipik metrik öğrenme siyam ağıdır.Örneğin, iki resim varsa, onları sınıflandırmak istiyoruz ve aynı kategori özellikte de var. Mekan çok benzer ve farklı türler özellik alanında birbirinden uzaktır.İki resmine beslenen CNN, paylaşımın ağırlığıdır ve proje aynı özellik alanı üzerindedir.Menteşe Kaybı eğitim için kullanılır. Doğru formül).
Daha sonra, çalışmamız ile simaese ağı arasındaki ilişkiden bahsedeceğim.Arkaplanı kısaca tanıtmama izin verin.Daha önce de söylediğim gibi, görevimiz bir örnek etiketi ve bir anlamsal segmentasyon etiketi oluşturmak, yani her nokta bulutu için iki etiket var. Bir etiket nokta bulutunun 1. sandalyeye mi yoksa 2. sandalyeye mi ait olduğunu temsil eder ve diğer etiket bunun bir sandalye, masa veya TV vb. Olup olmadığını gösterir. Arka plan bilgisi tanıtılmıştır. Özellik çıkarımı için pointnet ve pointnet ++ 'a dayanıyoruz ve ardından R-CNN ve diğer çalışmalardan Bölge Önerisi fikrini ödünç alarak benzerlik grubu önerisi adı verilen bir ağ öneriyoruz, şimdi bunu SGPN'ye basitleştiriyoruz.
SGPN'nin genel fikri şudur: İlk olarak özellikleri çıkarmak için pointnet veya pointnet ++ kullanıyoruz.Özelliklerden bahsettikten sonra 3 parça (aşağıdaki şeklin orta kısmı), benzerlik matrisi, güven haritası ve anlamsal tahmin var. Üç bölüm tek tek tanıtıldı.
İlki anlamsal kestirimdir. Anlamsal kestirim pointnet'in anlamsal bölütlemesiyle aynıdır.Her nokta için her sınıf için olasılık olan klasik bir olasılık üretilir.Örneğin Np puanlarımız varsa üretilir. Np * NC, NC matrisi, kaç tane nesne sınıfının olduğudur.Aşağıdaki sonuç anlamsal tahminin sonucudur.Örneğin, aşağıdaki şekilde (sağda), sarı alan masayı ve mavi alan sandalyeyi temsil eder.
Benzerlik matrisini tanıtalım. Benzerlik matrisi, her nokta için, konumuna göre N nokta oluşturmak istediğimiz anlamına gelir. Yani, nokta ağı tarafından oluşturulan özellik için, benzerlik matrisi Fsim olarak adlandırılır ve bunu hesaplamak için kullanırız Noktasal uzaklık Bu benzerlik matrisi için, buna ij'nin bir elemanı dendiğini varsayalım.Sij, özellik uzayında i noktası ile j noktası arasındaki mesafedir, eğer mesafe daha uzaksa, aynı grupta olmadıkları anlamına gelir. Ne kadar yakınsa, aynı grupta oldukları anlamına gelir, yani her iki nokta da 1. sandalye ise,
İkisi, özellik bakımından nispeten yakındır. Sandalye 1 ve sandalye 2, özellik alanında çok uzaksa veya bir sandalye ve bir masa ise, özellik alanında aralarındaki mesafe de çok uzaktır. Daha sonra, böyle bir Np (puan sayısı) ve böyle bir Np * Np benzerlik matrisimiz var, bu da her satırın bir grup teklifi olabileceği anlamına gelir. Bir eşik belirlememiz gerekir. Bu eşikten düşükse, her biri için Bu eşik, bu noktaların bir grupta olduğu anlamına gelir, bu da şu anda Np grup önerilerimiz olduğu anlamına gelir Şimdi soru, bu matrisi nasıl eğiteceğiz ve Zemin Gerçeği nedir?
Biraz önce siyam ağından bahsettik, yani iki resim aynı türdeyse, özellik özelliklerinde küçük bir mesafe bırakalım. Eğer aynı tip değillerse, birbirlerinden uzaklaşmalarına izin verin, bu yüzden bu yöntemi kullanırız ve benzerlik matrisimizi eğitmek için bu fikri ödünç alırız.İki nokta farklı türlere aitse, geniş bir mesafeye sahip olmalarına izin vereceğiz. . Aynı türdeyse, özellik özelliklerinde daha küçük bir mesafeye sahip olmalarına izin vereceğiz.Ayrıca Menteşe kaybını da kullanmalıyız. Her iki nokta da koltuk 1 ise, bu terimi en aza indireceğiz (aşağıdaki sağ alttaki formül) Burada çift menteşe kaybını tanıtıyoruz, yani iki nokta, bir sandalye 1 ve bir sandalye 2, marjlarını K1'den daha büyük yapıyoruz. İki nokta bir masa ve bir sandalye ise, mesafelerini K2'den daha büyük yaparız.Eğitim sırasında K1, K2'den daha küçüktür Deneyde, bu çift menteşe kaybı yöntemini kullanmanın sonucu vereceğini gördük. Daha iyidir ve sonuç K1 = K2 durumundan daha iyidir, böylece benzerlik matrisini eğitebiliriz.
Bu görselleştirmelerin sonuçlarına bir göz atabilirsiniz. Bunlar benzerliği temsil eder. Özellik özellikleri ne kadar koyu olursa, o kadar yakın ve renk o kadar açık olur, bu da özellik özelliklerinin o kadar uzak olduğu anlamına gelir.
Benzerlik matrisini tanıttıktan sonra, başka bir bölüme geçelim: güven haritası.
Benzerlik matrisi bir Np * Np matrisi olduğu için, yani Np grup önerilerimiz var, bu yüzden çok fazla fazlalık var.Bu güven haritasını bazı grup önerilerini, güven haritasının tanımını, yani temel gerçeği azaltmak için kullanmak istiyoruz Aşağıdaki gibi tanımlanır.
Benzerlik matrisinin her satırı için bir grup teklifiyiz. Bu grup önerisi için bir temel gerçeğe sahibiz.Daha sonra benzerlik matrisi ile tahmin edilen tahmin sonucunu temel gerçek ile karşılaştırıyoruz. IoU, IoU hesaplıyoruz. Birleşim üzerinde ara bölümdür, yani IoU daha büyükse, bu satırın, yani bu benzerlik önerisinin sonucunun daha inandırıcı olduğu anlamına gelir. IoU daha küçükse, daha az güvenilirdir, bu yüzden çatışma haritasını geri çekeriz ve burada da güveni görselleştiririz, renk ne kadar koyu olursa, güven ne kadar yüksek olursa renk o kadar açık olur, güven o kadar düşük olur, görebiliriz Bazı bağlantı parçaları için, bağlantının güvenirliği nispeten düşüktür Bu yöntemlerin bir miktar gürültüyü ortadan kaldırmak için kullanılması, benzerlik matrisinin tahmininde nispeten düşük benzerlik matrisi güvenine sahip bazı grup önerilerini kesmeye eşdeğerdir.
Bundan sonra, R-CNN ve daha hızlı R-CNN gibi, bir miktar sonradan işlemeye sahipler, daha fazla bölge önerisi tahmin edecekler ve daha sonra bu sonuçları kanıtlamak için eşik yöntemini kullanacaklar, ayrıca kanıtlamak için nispeten basit bir açgözlü yöntem kullanıyoruz Bu sonuç da çok etkilidir.Ağ tarafından tahmin edilen bazı grup teklifleri için, her biri için önce büyük bir grup kümesini başlatın.Grup önerisi grup kümesinde görünmüyorsa, onu yerleştireceğiz. Eğer öyleyse, bir sonrakine geçeceğiz, bu da bir sonradan işleme yapacak ve nihai sonucu alacağız. İşte bazı deneysel sonuçlar.
Deneysel sonuçları tanıtmadan önce, ilk olarak çok basit bir homojenizasyon yöntemini tanıtıyoruz; tüm noktalardan bazı tohumları seçmek ve ardından en yakın sıfır noktasına aramak için BFS yapmak ve sonra ona en yakın aynı etiketi bulmak. Bir eşikleri varsa, bu eşikten büyüklerse durun ve bu eşiğin altındaysa aramaya devam edin. Aynı etiket grubu ile birlikte, gruplarımızdan biri olan yeni bir örnek oluşturulur ve daha sonra bu yöntemle karşılaştırılır, çünkü literatürde nokta bulutu örnek segmentasyonu için daha az makale olduğundan, bunu daha basit kullanıyoruz Karşılaştırma yöntemleri.
Gördüğünüz gibi, bu stanford 3D iç mekan semantik veri setidir ve elde ettiğimiz sonuç segment kümesinden çok daha iyidir. Örnek segmentasyonu yaptıktan sonra, 3B nesne algılama sonuçlarını elde etmek kolaydır, çünkü her bir örneğe ve her noktanın konumuna sahip oluruz, sınırlayıcı kutuyu hesaplayabilir ve ardından bunu Ground Truth, pointnet'in sınırlayıcı kutusuyla karşılaştırabiliriz. Örnek segmentasyonu yapmak için bir çerçeve verildiğinde, onlardan çok daha iyi olduğumuzu görebiliriz.
Segment kümesinin farklı eşikleri vardır. Eşik büyüdüğünde, bu aynı etikete sahip iki nesnenin birbirine bağlanmasının daha kolay olduğu anlamına gelir. Eşik küçülürse, birbirine bağlanması daha da zorlaşır. Eşik küçüldüğünde sonuç Yukarıdaki şekilde görüldüğü gibi (sağ kısım) iki kısma ayrılmıştır ancak SGPN'de bu problem önlenecektir Benzerlik matrisi yöntemi ile üst ile alt arasındaki bağlantı kurulmaktadır.
Ek olarak, NYU veri seti üzerinde de deneyler yaptım, çünkü NYU'da derinlik bilgileri de dahil olmak üzere birçok 2B görüntü verisi var ve ardından SGPN'nin sonuçlarını iyileştirmek için 2B CNN kullanıyoruz çünkü kamera parametreleri aracılığıyla derinlik görüntüsünü değiştirebiliriz Bir nokta bulutu olarak, yani her nokta her görüntünün koordinatlarıyla ilişkilidir, bu nedenle birkaç CNN katmanı kullanırız ve ardından CNN'deki özellikleri nokta ağındaki aynı noktanın özelliklerine birleştirmek için aynı konumdaki özellikleri birleştiririz. İçeride, daha sonra birkaç nokta ağı katmanı gerçekleştirin ve ardından NYU veri kümesinde nokta örnek segmentasyonu gerçekleştirmek için üç SGPN alt modülü oluşturun.
Bu bizim sonucumuzdur (yukarıda resmedilmiştir). SGPN segment kümesinden çok daha iyidir. Ayrıca 3B algılamayı literatürle karşılaştırdık, çünkü literatürde yataklar, masalar ve bazı büyük nesneler gibi Ground Truth sınırlayıcı kutuları ve bunların sınırları Kutu gevşek, yani, bazıları gibi tarama sırasında noktaların sadece bir kısmı taranıyor? küme, yatak ve masa gibi noktalar aslında çok küçüktür. Nokta bulutunda görebildiğimiz çok az nokta vardır. Bu nedenle sınırlayıcı kutunun hesaplanması çok doğru değildir. Bu, gelgiti sınırlayan bir kutudur. Takip etmenin yolu yoktur. Büyük sınırlayıcı kutu karşılaştırır, bu yüzden burada (resmin sağ alt kısmında) sadece literatürden daha iyi olan bazı küçük nesneleri karşılaştırıyoruz.
Sonra biraz daha görselleştirme sonuçlarına bakarız, işte stanford 3B iç mekan semantik veri kümesinde olanlar, ayrıca scannet üzerinde birçok deney yaptık, ilgileniyorsanız, makalemizi okuyabilirsiniz, daha fazla deney ve uygulama var ders çalışma.
Bu çalışma esas olarak nokta bulutu örnek segmentasyonu yapmak için derin öğrenmeyi kullanma sorununa yöneliktir Bildiğimiz kadarıyla bunu yapmak için derin öğrenmeyi ilk kullanan kişi olmalıdır.
Sonra, grubumuzun başka bir çalışmasını tanıtalım. İlk yazar arkadaşım Huang Qiangui. İşimiz nokta bulutu anlamsal bölümleme yapmak. Şu anda, her birine bir giriş noktası bulutu vermek olan anlamsal bölümlemeyi tanıttım. Masa ve sandalyeler için etiketler.
Ondan önce kısaca ilgili çalışmayı tanıtalım. Pointnet'i yeni tanıttım ve ayrıca pointnet'in birkaç mlp katmanından sonra büyük bir matris özelliği ürettiğini biliyoruz.Ancak, maks. Havuzlamayı kullanarak global özellikleri çıkarmak için, her global özelliği özellik için birleştirin ve ardından anlamsal segmentasyon gerçekleştirin. Tüm noktaların tek bir global özelliğe sahip olduğunu ve noktalar arasında bağlantı olmadığını görebiliyoruz, bu sayede çok fazla yerel bilgi kayboluyor.CNN gibi çok yakın noktalar için katman katman iletilebiliyor, yolu yok. Bunu gerçekleştir.
Stanford ve aynı grup, geçen yıl NIPS üzerinde pointnet ++ 'ı önerdiler.En uzak nokta örneğini kullandılar ve yerel bilgiyi, yani her nokta için komşuluğunu bulmak ve sonra bazı noktaları örneklemek için KNN'yi sorguladılar. , Ve bunun gibi, yerel bilgi almak için. Ancak KNN gibi karmaşıklığının O (KN) olduğunu ve her noktada sorgu gerektirdiğini ve karmaşıklığın nispeten yüksek olduğunu da biliyoruz. Yerel bağımlılığı daha iyi yapmak için aşağıdaki yöntemi öneriyoruz .
Nokta bulutu 3 boyutlu bir yapıya sahip olduğu için, bu yapıya dayalı olarak tekrarlayan bir dilim ağı öneriyoruz.Örneğin, nokta bulutu x, y ve z'nin üç yönünde bilgi içeriyor. Dilimleri x, y ve z'nin üç yönünde kesiyoruz. Ardından nokta bulutunu dilimlere ve dilimlere bölün. Ardından, her parçanın özelliğini çıkarmak için pointnet'i kullanın ve ardından bitişik parçaların bilgilerini güncellemek için RNN'yi kullanın. Pointnet özellikleri çıkardıktan sonra, RNN aracılığıyla güncelleme yapıyoruz ve ardından ... Burada yerel bağımlılık bilgisinin kurulmasını tanıtmak için üç modül sunuyoruz ve bunları aşağıda tek tek tanıtacağım.
Bir nokta bulutu gelir, z yönü boyunca keser ve sonra birkaç dilime (dilime) bölünür ve her dilimi ayrı ayrı her nokta ağına koyun. Doğru mu? Bilgi ve özellik, tüm global özelliği en üst düzeye çıkarmak için olduğu gibi, her parçanın küçük bir global özelliği vardır. Aynı işlem, üç yönde x, y ve z (yukarıdaki dilimde gösterildiği gibi), x yönü dilim ve y yönü dilim boyunca üç kez aynı şekilde yapılır.
Böyle bir özelliği çıkardıktan sonra, bu özelliği güncellemek için çift yönlü RNN kullanıyoruz, çünkü bitişik dilimlerin yerel bağımlılığı var, bu nedenle özelliği güncellerken yerel bilgiler hesaba katılabilir ve iki yönlü olduğu için farklı bilgi katmanları Birbirlerine de geçilebilir.Çift yönlü olarak geçtiğimiz güncellenmiş özellik bu yerde sunulmuştur (yukarıda sağda) Makalede ayrıca GRU, STM gibi farklı RNN modülleri üzerinde uygulama çalışmaları yaptık. , İlgilenen herkes bizimkileri okuyabilir mi? Bölüm.
Bilgileri RNN güncellemesinden geçirdikten sonra geçecek miyiz? Yani, her katmana karşılık gelen bilgileri ve her dilime karşılık gelen bilgileri her noktaya yaymak için nokta ağıyla aynı yöntemi kullanın. Bu şekilde, her nokta hem yerel bilgiye hem de global bilgiye sahiptir ve ardından birkaç nokta ağı katmanından çıktı bölümleme gerçekleştiririz.
Aynısı stanford iç mekan 3D verileri için de yapılır.Farklı renkler farklı kategorileri gösterir. Resim (ortadaki) tahminin sonucudur ve resim (sağdaki) temel gerçektir. Elde ettiğimiz sonuç hala çok iyi.
Bu, stanford Indoor 3D'nin sonucudur, 3D cnn, bu işi bu veritabanında yapan son teknoloji ürünüdür ve seg-cluster, 3D volumatrik yöntem kullanılarak yapılır. Sonuçlarımızın, pointnet'ten çok daha iyi olduğu görülebilir. , Her ikisi de 3D CNN'den çok daha iyi.
ScanNet üzerinde de pek çok deney yaptık ve pointnet ++ ve pointnet den daha iyi olduğumuzu görebiliyoruz.
Az önce pointnet'in KNN veya top sorgulama yöntemlerine sahip olması nedeniyle hızlarını çok düşüreceğini söylemiştik.Rsnet'imiz pointnet ++ 'dan çok daha hızlı olduğu gibi burada hız ve belleği karşılaştırıyoruz. Burada (yukarıda), pointnet'i bir birim olarak alarak önce pointnet ile, ardından hız açısından diğer yöntemlerle karşılaştırdığınızı göstermektedir. Bu iki eserin kodları yayınlandı, github'ımıza başvurabilirsiniz.
3D öğrenme de herkesten daha fazla ilgi gördü. Son 3B formdaki daha ilginç çalışmalardan bazıları (yukarıda) birinci ve üçüncünün tümü ağ üzerinde çalıştırılıyor, ilki Ağ bir top olarak değerlendirilir ve ardından ağ, öğrenme yöntemiyle istedikleri tek RGB görünümüne sıkıştırılır. Üçüncüsü, farklı tırtıllar için bir ağ öğrenmektir, ağın da çok katlı olması ve ardından bir ağ ve bir ağ oluşturması gerekir. Doku bilgisi ve ardından görüntüsüne daha benzer hale getirmek için dokuyu ağla eşleyin. İkinci görev, numunenin yüzeyindeki noktalardan bir ağ oluşturmaktır.Bu aynı zamanda bir 2D görüntüye dayalı bir 3D rekonstrüksiyondur.İlgileniyorsanız, tekrar kontrol edebilirsiniz.
Bu laboratuvarımızın bilgileridir.Eğer ilgileniyorsanız hocamla iletişime geçebilirsiniz.Çoğunlukla 3 boyutlu görüntü ve bilgisayar grafikleri üzerine araştırma yapıyoruz.
QA
S: Perde neden bu kadar kötü?
C: Perde esas olarak daha az veriye sahiptir ve çoğu duvarlara veya pencerelere bağlıdır, bu nedenle tanımlanması kolay değildir.
S: Kesimin doğruluğu nasıl belirlenir?
C: Farklı kesim hassasiyetlerinin sonuçlar üzerinde farklı etkileri olacaktır.Deneysel kısmın ablasyon çalışmasında farklı hassasiyetler üzerinde deneyler yaptık.
S: İkinci iş x, y, z hepsi hizalı mı?
C: Evet, önce koordinatlar hizalanır.
Yukarıdakiler, bu sayıda davetliler tarafından paylaşılan tüm içeriklerdir. Daha fazla genel sınıf videosu için lütfen izlemek üzere Leifeng.com AI MOOC Academy'yi ziyaret edin. WeChat genel hesabını takip edin: AI teknoloji incelemesi, en son genel sınıf canlı yayın süresi önizlemesini alabilirsiniz.
