توضیحات
This book introduces the point cloud; its applications in industry, and the most frequently used datasets. It mainly focuses on three computer vision tasks — point cloud classification, segmentation, and registration — which are fundamental to any point cloud-based system. An overview of traditional point cloud processing methods helps readers build background knowledge quickly, while the deep learning on point clouds methods include comprehensive analysis of the breakthroughs from the past few years. Brand-new explainable machine learning methods for point cloud learning, which are lightweight and easy to train, are then thoroughly introduced. Quantitative and qualitative performance evaluations are provided. The comparison and analysis between the three types of methods are given to help readers have a deeper understanding.
With the rich deep learning literature in 2D vision, a natural inclination for 3D vision researchers is to develop deep learning methods for point cloud processing. Deep learning on point clouds has gained popularity since 2017, and the number of conference papers in this area continue to increase. Unlike 2D images, point clouds do not have a specific order, which makes point cloud processing by deep learning quite challenging. In addition, due to the geometric nature of point clouds, traditional methods are still widely used in industry. Therefore, this book aims to make readers familiar with this area by providing comprehensive overview of the traditional methods and the state-of-the-art deep learning methods.
A major portion of this book focuses on explainable machine learning as a different approach to deep learning. The explainable machine learning methods offer a series of advantages over traditional methods and deep learning methods. This is a main highlight and novelty of the book. By tackling three research tasks — 3D object recognition, segmentation, and registration using our methodology — readers will have a sense of how to solve problems in a different way and can apply the frameworks to other 3D computer vision tasks, thus give them inspiration for their own future research.
Numerous experiments, analysis and comparisons on three 3D computer vision tasks (object recognition, segmentation, detection and registration) are provided so that readers can learn how to solve difficult Computer Vision problems.
————————————————————–
ترجمه ماشینی :
این کتاب ابر نقطه را معرفی می کند. کاربردهای آن در صنعت و مجموعه داده های پرکاربرد. عمدتاً بر روی سه وظیفه بینایی کامپیوتری – طبقهبندی ابر نقطه، تقسیمبندی و ثبت – که برای هر سیستم مبتنی بر ابر نقطهای اساسی هستند، تمرکز دارد. مروری بر روشهای سنتی پردازش ابر نقطهای به خوانندگان کمک میکند تا دانش پسزمینه را به سرعت بسازند، در حالی که یادگیری عمیق در روشهای ابر نقطه شامل تجزیه و تحلیل جامع پیشرفتهای چند سال گذشته است. روشهای کاملاً جدید یادگیری ماشینی قابل توضیح برای یادگیری ابری نقطهای، که سبک وزن هستند و آموزش آسان هستند، سپس به طور کامل معرفی میشوند. ارزیابی های کمی و کیفی عملکرد ارائه شده است. مقایسه و تجزیه و تحلیل بین سه نوع روش ارائه شده است تا به خوانندگان کمک کند تا درک عمیق تری داشته باشند.
با ادبیات یادگیری عمیق غنی در بینایی دو بعدی، یک تمایل طبیعی برای محققان بینایی سه بعدی توسعه عمیق است. روش های یادگیری برای پردازش ابری نقطه ای یادگیری عمیق در ابرهای نقطه از سال 2017 محبوبیت پیدا کرده است و تعداد مقالات کنفرانس در این زمینه همچنان در حال افزایش است. برخلاف تصاویر دوبعدی، ابرهای نقطه ای نظم خاصی ندارند، که پردازش ابر نقطه ای با یادگیری عمیق را بسیار چالش برانگیز می کند. علاوه بر این، به دلیل ماهیت هندسی ابرهای نقطه ای، روش های سنتی هنوز به طور گسترده در صنعت استفاده می شود. بنابراین، این کتاب با ارائه مروری جامع از روش های سنتی و روش های پیشرفته یادگیری عمیق، قصد دارد خوانندگان را با این حوزه آشنا کند.
بخش عمده ای از این کتاب بر روی یادگیری ماشینی قابل توضیح به عنوان رویکردی متفاوت برای یادگیری عمیق. روشهای یادگیری ماشینی قابل توضیح، یک سری مزیتها را نسبت به روشهای سنتی و روشهای یادگیری عمیق ارائه میدهند. این نکته اصلی و تازگی کتاب است. با پرداختن به سه وظیفه تحقیقاتی – تشخیص سه بعدی اشیاء، تقسیمبندی و ثبت با استفاده از روششناسی ما – خوانندگان درک میکنند که چگونه مشکلات را به روشی متفاوت حل کنند و میتوانند چارچوبها را برای سایر وظایف بینایی کامپیوتری سه بعدی اعمال کنند، بنابراین به آنها الهام میدهند. برای تحقیقات آینده خود.
تجربهها، تجزیه و تحلیل و مقایسههای متعددی روی سه کار بینایی کامپیوتری سه بعدی (تشخیص اشیا، تقسیمبندی، تشخیص و ثبت) ارائه شده است تا خوانندگان بتوانند نحوه حل مسائل دشوار بینایی رایانه را بیاموزند.
tag : دانلود کتاب تجزیه و تحلیل ابر نقطه سه بعدی: روش های یادگیری ماشین سنتی، یادگیری عمیق و قابل توضیح , Download تجزیه و تحلیل ابر نقطه سه بعدی: روش های یادگیری ماشین سنتی، یادگیری عمیق و قابل توضیح , دانلود تجزیه و تحلیل ابر نقطه سه بعدی: روش های یادگیری ماشین سنتی، یادگیری عمیق و قابل توضیح , Download 3D Point Cloud Analysis: Traditional, Deep Learning, and Explainable Machine Learning Methods Book , تجزیه و تحلیل ابر نقطه سه بعدی: روش های یادگیری ماشین سنتی، یادگیری عمیق و قابل توضیح دانلود , buy تجزیه و تحلیل ابر نقطه سه بعدی: روش های یادگیری ماشین سنتی، یادگیری عمیق و قابل توضیح , خرید کتاب تجزیه و تحلیل ابر نقطه سه بعدی: روش های یادگیری ماشین سنتی، یادگیری عمیق و قابل توضیح , دانلود کتاب 3D Point Cloud Analysis: Traditional, Deep Learning, and Explainable Machine Learning Methods , کتاب 3D Point Cloud Analysis: Traditional, Deep Learning, and Explainable Machine Learning Methods , دانلود 3D Point Cloud Analysis: Traditional, Deep Learning, and Explainable Machine Learning Methods , خرید 3D Point Cloud Analysis: Traditional, Deep Learning, and Explainable Machine Learning Methods , خرید کتاب 3D Point Cloud Analysis: Traditional, Deep Learning, and Explainable Machine Learning Methods ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.