یادگیری عمیق سه بعدی با پایتون؛ طراحی و توسعه مدل بینایی کامپیوتر با داده های سه بعدی با استفاده از پای تورچ تری دی و موارد دیگر

مدل‌های یادگیری عمیق را با داده‌های سه‌بعدی با استفاده از PyTorch3D و سایر چارچوب‌های پایتون تجسم کنید و بسازید تا چالش‌های برنامه‌های دنیای واقعی را به راحتی پشت سر بگذارید.

ویژگی‌های کلیدی

پردازش داده‌های سه‌بعدی را با رندرینگ، بهینه‌سازی PyTorch و دسته‌بندی ناهمگن درک کنید.
مفاهیم رندرینگ مشتق‌پذیر را با مثال‌های عملی پیاده‌سازی کنید.
کشف کنید که چگونه می‌توانید کار خود را با جدیدترین تکنیک‌های یادگیری عمیق سه‌بعدی با استفاده از PyTorch3D آسان کنید.

شرح کتاب

با این راهنمای عملی برای یادگیری عمیق سه‌بعدی، توسعه‌دهندگانی که با بینایی رایانه‌ای سه‌بعدی کار می‌کنند، می‌توانند دانش خود را به کار گیرند و در کمترین زمان شروع به کار کنند.

این کتاب که با توضیحات گام به گام مفاهیم اساسی و مثال‌های عملی تکمیل شده است، به شما امکان می‌دهد تا یادگیری عمیق سه‌بعدی پیشرفته را کاوش کرده و درک کاملی از آن به دست آورید. شما خواهید دید که چگونه از PyTorch3D برای پردازش داده‌های اولیه مش سه‌بعدی و ابر نقاط، از جمله بارگذاری و ذخیره فایل‌های ply و obj، نمایش نقاط سه‌بعدی در هماهنگی دوربین با استفاده از مدل‌های دوربین پرسپکتیو یا مدل‌های دوربین ارتوگرافیک، رندر کردن ابرهای نقطه‌ای و مش‌ها به تصاویر و موارد دیگر استفاده کنید. با پیاده‌سازی برخی از جدیدترین الگوریتم‌های یادگیری عمیق سه‌بعدی، مانند رندر دیفرانسیلی، Nerf، synsin و mesh RCNN، متوجه خواهید شد که چگونه کدنویسی برای این مدل‌های یادگیری عمیق با استفاده از کتابخانه PyTorch3D آسان‌تر می‌شود.

در پایان این کتاب یادگیری عمیق، شما آماده خواهید بود تا مدل‌های یادگیری عمیق سه‌بعدی خود را با اطمینان پیاده‌سازی کنید.

آنچه خواهید آموخت

توسعه مدل‌های بینایی کامپیوتر سه‌بعدی برای تعامل با محیط
آشنایی با مدیریت داده‌های سه‌بعدی با ابرهای نقطه‌ای، مش‌ها، ply و فرمت فایل obj
کار با هندسه سه‌بعدی، مدل‌های دوربین و هماهنگی و تبدیل بین آنها
درک مفاهیم رندرینگ، سایه‌زنی و موارد دیگر به راحتی
پیاده‌سازی رندرینگ تفاضلی برای بسیاری از مدل‌های یادگیری عمیق سه‌بعدی
مدل‌های پیشرفته و پیشرفته یادگیری عمیق سه‌بعدی مانند Nerf، synsin، mesh RCNN

این کتاب برای چه کسانی مناسب است

این کتاب برای متخصصان یادگیری ماشین از سطح مبتدی تا متوسط، دانشمندان داده، مهندسان یادگیری ماشین و مهندسان یادگیری عمیق است که به دنبال کسب مهارت در تکنیک‌های بینایی کامپیوتر با استفاده از داده‌های سه‌بعدی هستند.

فهرست مطالب

قالب‌های فایل داده‌های سه‌بعدی – ply و obj، سیستم‌های هماهنگی سه‌بعدی، مدل‌های دوربین
مفاهیم اولیه رندرینگ، بهینه‌سازی اولیه PyTorch، دسته‌بندی ناهمگن
برازش با استفاده از مدل‌های مش تغییر شکل‌پذیر
مفاهیم اولیه رندرینگ متمایز
رندینگ حجم متمایز
NeRF – میدان‌های تابش عصبی
GIRAFFE
برازش سه‌بعدی بدن انسان با استفاده از مدل‌های SMPL
Synsin – سنتز نمای سرتاسری از یک تصویر واحد
Mesh RCNN