کتاب 3D Deep Learning with Python (یادگیری عمیق سه‌بعدی با پایتون: مدل بینایی کامپیوتر خود را با داده‌های سه‌بعدی با استفاده از PyTorch3D و موارد دیگر طراحی و توسعه دهید) یک منبع ارزشمند و مفید برای آموزش یادگیری عمیق سه بعدی است که در 10 فصل به صورت عملی این علم کاربردی را آموزش داده است.
در ادامه مقدمه‌ای از کتاب 3D Deep Learning with Python را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب 3D Deep Learning with Python:
توسعه‌دهندگانی که با بینایی کامپیوتری سه‌یعدی کار می‌کنند، می‌توانند دانش خود را با این راهنمای عملی یادگیری عمیق سه‌یعدی به کار گیرند. این کتاب یک رویکرد عملی برای پیاده‌سازی و متدولوژی‌های مرتبط ارائه می‌دهد که شما را در کمترین زمان راه‌اندازی و کارآمد خواهد کرد.
با توضیحات گام به گام مفاهیم اساسی، مثال‌های عملی و سوالات خودارزیابی، با کاوش در یادگیری عمیق سه‌یعدی پیشرفته شروع خواهید کرد.
با استفاده از PyTorch3D با پردازش داده‌های ابری سه‌بعدی و نقطه‌ای، مانند بارگیری و ذخیره فایل‌های PLY و OBJ، نمایش نقاط سه‌بعدی روی مختصات دوربین با استفاده از مدل‌های دوربین پرسپکتیو یا مدل‌های دوربین املایی، و رندر کردن ابرهای نقطه‌ای و مش‌ها به تصاویر، از جمله موارد دیگر آشنا خواهید شد. چیزها شما همچنین یاد خواهید گرفت که چگونه الگوریتم‌های پیشرفته یادگیری عمیق سه‌یعدی مانند رندر دیفرانسیل، NeRF، SynSin و Mesh R-CNN را پیاده سازی کنید زیرا کدنویسی برای این مدل‌های یادگیری عمیق با استفاده از کتابخانه PyTorch3D آسان‌تر می‌شود.
در پایان این کتاب، شما می‌توانید مدل‌های یادگیری عمیق سه‌یعدی خود را پیاده‌سازی کنید.
کتاب 3D Deep Learning with Python برای چه کسی است؟
این کتاب برای مبتدیان و متخصصان یادگیری ماشین سطح متوسط، دانشمندان داده، مهندسان یادگیری ماشین و مهندسین یادگیری عمیق است که به دنبال کسب مهارت در تکنیک‌های بینایی کامپیوتر با استفاده از داده‌های سه‌یعدی هستند.
آنچه کتاب 3D Deep Learning with Python پوشش می‌دهد:
فصل 1، معرفی پردازش داده‌های سه‌بعدی، اصول اولیه داده‌های سه‌بعدی، مانند نحوه ذخیره‌سازی داده‌های سه‌بعدی و مفاهیم اساسی مش‌ها و ابرهای نقطه، هماهنگی‌های جهان، و هماهنگی‌های دوربین را پوشش می‌دهد. همچنین به ما نشان می‌دهد که NDC چیست (یک هماهنگی پرکاربرد)، نحوه تبدیل بین هماهنگی‌های مختلف، دوربین‌های پرسپکتیو و دوربین‌های املایی، و مدل‌های دوربین باید استفاده شود.
فصل 2، معرفی 3D Computer Vision و Geometry، مفاهیم اساسی در گرافیک کامپیوتری، مانند رندر و سایه زدن را به ما نشان می‌دهد. ما در مورد برخی از مفاهیم اساسی که در فصل‌های بعدی این کتاب مورد نیاز خواهند بود، از جمله، تبدیل هندسه سه‌یعدی، تانسور PyTorch و بهینه سازی، یاد خواهیم گرفت.
فصل 3 کتاب 3D Deep Learning with Python، برازش مدل‌های مش تغییر شکل‌پذیر به ابرهای نقطه خام، یک پروژه عملی از استفاده از یک مدل سه‌بعدی تغییر شکل‌پذیر برای تطبیق با مشاهده سه‌بعدی پر سر و صدا با استفاده از تمام دانشی که در فصل‌های قبلی آموخته‌ایم ارائه می‌کند. ما به بررسی توابع هزینه پرکاربرد، چرایی اهمیت این توابع هزینه و زمان استفاده از این توابع هزینه خواهیم پرداخت. در نهایت، یک مثال عینی از اینکه کدام توابع هزینه برای کدام وظایف انتخاب شده‌اند و نحوه راه‌اندازی حلقه بهینه‌سازی برای به دست آوردن نتایجی که می‌خواهیم را بررسی می‌کنیم.
در فصل 4، آموزش تشخیص و ردیابی موقعیت اشیاء با رندر متفاوت، در مورد مفاهیم اولیه رندر متمایز صحبت خواهد شد. این به شما کمک می‌کند مفاهیم اساسی را درک کنید و بدانید چه زمانی می‌توانید این تکنیک‌ها را برای حل مشکلات خود به کار ببرید.
فصل 5، درک رندر حجمی متمایز، یک پروژه عملی با استفاده از رندر متمایز برای تخمین موقعیت دوربین از روی یک تصویر واحد و یک مدل مش سه‌یعدی شناخته شده ارائه می‌دهد. ما یاد خواهیم گرفت که چگونه به طور عملی از PyTorch3D برای تنظیم دوربین‌ها، رندرها و سایه‌زن‌ها استفاده کنیم. ما همچنین تجربه عملی در استفاده از توابع هزینه‌های مختلف برای دریافت نتایج بهینه سازی خواهیم داشت.
فصل 6 کتاب 3D Deep Learning with Python، کاوش در میدان‌های تابشی عصبی (NeRF)، یک پروژه عملی با استفاده از رندر متفاوت برای تخمین مدل‌های مش سه‌بعدی از چندین تصویر و مدل بافت ارائه می‌کند.
فصل 7، بررسی فیلدهای ویژگی عصبی قابل کنترل، یک الگوریتم بسیار مهم برای سنتز نمایش را پوشش می‌دهد که NeRF است. ما یاد خواهیم گرفت که در مورد چیست، چگونه از آن استفاده کنیم، و کجا ارزشمند است.
فصل 8، مدل سازی بدن انسان به صورت سه‌یعدی، تناسب بدن انسان سه‌بعدی را با استفاده از الگوریتم SMPL بررسی می‌کند.
فصل 9 کتاب 3D Deep Learning with Python، انجام سنتز نما به انتها با SynSin، SynSin را که یک مدل سنتز تصویر یادگیری عمیق پیشرفته است، پوشش می‌دهد.
فصل 10، Mesh R-CNN، ما را با Mesh R-CNN آشنا می‌کند، که یکی دیگر از روش‌های پیشرفته برای پیش بینی مدل‌های وکسل سه‌بعدی از یک تصویر ورودی است.
سرفصل‌های کتاب 3D Deep Learning with Python:
- Contributors
- About the author
- About the reviewer
- Preface
- PART 1: 3D Data Processing Basics
- Chapter 1: Introducing 3D Data Processing
- Chapter 2: Introducing 3D Computer Vision and Geometry
- PART 2: 3D Deep Learning Using PyTorch3D
- Chapter 3: Fitting Deformable Mesh Models to Raw Point Clouds
- Chapter 4: Learning Object Pose Detection and Tracking by Differentiable Rendering
- Chapter 5: Understanding Differentiable Volumetric Rendering
- Chapter 6: Exploring Neural Radiance Fields (NeRF)
- PART 3: State-of-the-art 3D Deep Learning Using PyTorch3D
- Chapter 7: Exploring Controllable Neural Feature Fields
- Chapter 8: Modeling the Human Body in 3D
- Chapter 9: Performing End-to-End View Synthesis with SynSin
- Chapter 10: Mesh R-CNN
- Index
- Other Books You May Enjoy
جهت دانلود کتاب 3D Deep Learning with Python می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.