国产91小视频,亚洲深深色噜噜狠狠

本書系統(tǒng)地介紹了三維點云處理的基礎(chǔ)知識、傳統(tǒng)算法與深度學習算法, 包括點云數(shù)據(jù)表示、空間變換、預處理、配準、拼接、濾波和表面重建等傳統(tǒng)算法, 以及經(jīng)典三維深度學習算法、室外、室內(nèi)、單目、多模態(tài)三維目標檢測、三維語義分割和深度補全等模型。

書中采用由淺入深的方式詳細介紹各種算法的設(shè)計思路和實現(xiàn)過程, 如循序漸進的學習路徑、深入剖析算法原理、豐富的示例算法以及能力開拓和問題解決能力培養(yǎng)等。

本書讀者對象為計算機科學、機器學習、人工智能等領(lǐng)域?qū)I(yè)人士和學術(shù)研究者等。

三維點云是現(xiàn)代計算機視覺領(lǐng)域的熱門研究方向, 由于其能夠準確地表達三維環(huán)境的形態(tài)和結(jié)構(gòu), 因此在環(huán)境感知、機器人導航、室內(nèi)外建模、自動駕駛等領(lǐng)域具有廣泛應用。

本書共分為16 章, 其中前7 章主要介紹Python 編程基礎(chǔ)、點云數(shù)據(jù)的形態(tài)與可視化、空間變換、預處理以及點云的配準、拼接、濾波和表面重建等常見機器學習算法等知識。后9 章則介紹深度學習的基礎(chǔ)知識和環(huán)境搭建, 以及三維點云深度學習算法模型,包括經(jīng)典三維深度學習算法、室外、室內(nèi)、單目、多模態(tài)三維目標檢測、三維語義分割和深度補全等模型內(nèi)容。目標是通過實際 Python 程序示例來幫助讀者深入分析三維點云處理和深度學習算法, 如在每個章節(jié)都展示一個或多個示例程序, 以有助于大家更好地理解算法的工作原理。

本書主要特點如下:

由淺入深, 循序漸進, 從點云基本概念與傳統(tǒng)處理算法逐步過渡到深度學習算法

進行講解。

知其然, 知其所以然, 讓讀者不僅理解算法實現(xiàn)結(jié)果, 而且掌握設(shè)計思路與過程。
讀書百遍, 其義自見, 展示大量示例算法, 使讀者應用和創(chuàng)新更加得心應手。
融會貫通, 舉一反三, 力求讓讀者掌握各種算法的特性與聯(lián)系, 打開新思路, 解決新問題。

本書在編寫過程中, 參考了大量開源算法的設(shè)計思路和程序, 對于這些開源程序的提供者, 在此表示誠摯的謝意。另外, 特別感謝我的導師李啟亮先生(北京大學工學院教授) 在編寫過程中持續(xù)給予的建議和鼓勵, 感謝北京航空航天大學出版社的支持, 使

本書能夠順利出版。

本書的程序代碼和示例數(shù)據(jù)均已開源, 后面將持續(xù)更新對最新深度學習算法的解析。讀者可從相應網(wǎng)站下載并運行程序, 加深理解和實踐。囿于編者的知識、經(jīng)驗有限, 對于書中不妥和疏漏, 敬請讀者將寶貴意見發(fā)至 ye_huixian@foxmail.com, 以便再版時完善, 感謝!

編者

第1 章 Python 簡介與環(huán)境搭建
1 .1 Python 簡介
1 .2 Python 常用數(shù)據(jù)類型
1 .2.1 數(shù)值類型
1 .2.2 字符串類型
1 .2.3 列表類型
1 .2.4 字典類型
1 .2.5 其他類型
1 .3 常用語法
1 .3 .1 包導入
1 .3 .2 主函數(shù)入口
1 .3 .3 縮進
1 .3 .4 函數(shù)
1 .3 .5 類
1 .3 .6 流程控制結(jié)構(gòu)
1 .3 .7 學習網(wǎng)站和資料
1 .4 Python 環(huán)境安裝
1 .4.1 Conda 安裝
1 .4.2 PythonIDE 安裝
1 .4.3 程序調(diào)試
1 .5 Python 源碼加密
1 .6 pip 鏡像設(shè)置
1 .7 程序資料
第2 章點云開發(fā)環(huán)境安裝與配置
2.1 Python Open3d 安裝
2.2 Python PCL 安裝
2.3 CUDA 套件安裝
2.3 .1 CUDA 架構(gòu)簡介
2.3 .2 Windows 系統(tǒng) CUDA 安裝
2.3 .3 Linux 系統(tǒng) CUDA 安裝
1人工智能點云處理及深度學習算法
2.4 cuDNN 安裝
2.4.1 Windows 系統(tǒng)cuDNN 安裝
2.4.2 Linux 系統(tǒng)cuDNN 安裝
2.5 PyTorch 安裝
2.6 參考環(huán)境創(chuàng)建
2.7 程序資料
第3 章點云基礎(chǔ)
3 .1 點云數(shù)據(jù)結(jié)構(gòu)
3 .2 點云采集方式
3 .2.1 激光雷達
3 .2.2 RGBD 相機
3 .2.3 應用場景
3 .3 點云存儲格式
3 .3 .1 pcd 點云存儲格式
3 .3 .2 ply 點云存儲格式
3 .3 .3 txt 點云存儲格式
3 .3 .4 bin 點云存儲格式
3 .4 點云格式相互轉(zhuǎn)化
3 .5 Open3d 讀寫點云文件
3 .5 .1 pcd 文件讀寫
3 .5 .2 ply 文件讀寫
3 .6 Python pcl 讀寫點云文件
3 .7 點云可視化
3 .7.1 Matplotlib 點云可視化
3 .7.2 Mayavi 點云可視化
3 .7.3 Open3d 點云可視化
3 .7.4 Python pcl 點云可視化
3 .7.5 CloudCompare 點云可視化
3 .8 程序資料
第4 章點云幾何形態(tài)
4.1 體素
4.2 法向量
4.2.1 最小二乘求解法
4.2.2 PCA 求解法
4.2.3 Open3d 計算法向量
4.3 質(zhì) 心
4.4 三角面
4.5 倒角距離
4.6 程序資料
第5 章點云空間變換
5 .1 平移變換
5 .2 旋轉(zhuǎn)變換
5 .2.1 旋轉(zhuǎn)表示方法
5 .2.2 Open3d 點云旋轉(zhuǎn)
5 .3 平面投影
5 .4 仿射變換
5 .5 點云縮放
5 .6 基于法向量的旋轉(zhuǎn)
5 .7 程序資料
第6 章點云預處理算法
6 .1 離群點過濾
6 .1 .1 無效值剔除
6 .1 .2 統(tǒng)計方式剔除
6 .1 .3 半徑濾波方式剔除
6 .2 點云下采樣
6 .2.1 體素下采樣
6 .2.2 隨機下采樣
6 .2.3 均勻下采樣
6 .2.4 最遠點采樣
6 .3 坐標上采樣
6 .4 特征上采樣
6 .5 程序資料
第7 章點云機器學習常見算法
7.1 ICP 點云配準方法
7.2 點云拼接
7.3 點云分割
7.3 .1 RANSAC 平面分割
7.3 .2 DBSCAN 聚類
7.3 .3 KMeans 聚類
3人工智能點云處理及深度學習算法
7.4 其他聚類算法
7.4.1 OPTICS
7.4.2 Spectral Clustering
7.4.3 Hierarchical Clustering
7.4.4 Mean shift
7.4.5 BIRCH
7.4.6 Affinity Propagation
7.5 表面重建
7.5 .1 Alpha shapes
7.5 .2 Ball pivoting
7.5 .3 Poisson
7.5 .4 Voxel grid
7.6 程序資料
第8 章點云深度學習基礎(chǔ)
8.1 感知機模型
8.1 .1 感知機結(jié)構(gòu)
8.1 .2 梯度下降法
8.2 卷積神經(jīng)網(wǎng)絡
8.2.1 卷積層
8.2.2 池化層
8.2.3 全連接層
8.2.4 激活函數(shù)
8.2.5 批歸一化
8.2.6 損失函數(shù)
8.3 反向傳播算法
8.4 特征視野范圍
8.5 非極大值抑制
8.6 Pytorch 神經(jīng)網(wǎng)絡框架
8.7 模型參數(shù)量與存儲空間
8.7.1 計算原理
8.7.2 維度對比
8.8 mmdetection3d 三維深度學習框架
8.8.1 安裝調(diào)試
8.8.2 mmdetection3d 訓練
8.8.3 關(guān)鍵程序與斷點
8.8.4 程序資料
第9 章三維點云數(shù)據(jù)集
9 .1 ModelNet40
9 .2 KITTI
9 .2.1 激光雷達數(shù)據(jù)
9 .2.2 標注數(shù)據(jù)
9 .2.3 圖像數(shù)據(jù)
9 .2.4 標定數(shù)據(jù)
9 .2.5 相機到雷達坐標
9 .2.6 標注可視化
9 .2.7 mmdetection3d KITTI
9 .3 NuScenes
9 .3 .1 數(shù)據(jù)范圍
9 .3 .2 json 文件
9 .3 .3 NuScenes 工具包
9 .3 .4 mmdetection3d nuScenes
9 .4 S3DIS
9 .4.1 數(shù)據(jù)集簡介
9 .4.2 mmdetection3d S3DIS
9 .5 ScanNet v2
9 .5 .1 數(shù)據(jù)集簡介
9 .5 .2 mmdetection3d ScanNet v2
9 .6 SUN RGB D
9 .6 .1 數(shù)據(jù)集簡介
9 .6 .2 mmdetection3d SUN RGB D
9 .7 點云數(shù)據(jù)預處理方法
9 .7.1 歸一化
9 .7.2 隨機縮放
9 .7.3 隨機平移
9 .7.4 隨機旋轉(zhuǎn)
9 .7.5 隨機擾動
9 .7.6 隨機排序
9 .7.7 隨機丟棄
9 .7.8 剔除范圍外點
9 .8 程序資料
5人工智能點云處理及深度學習算法
第10 章三維點云深度學習基礎(chǔ)模型算法
10.1 PointNet (CVPR 2017)
10.1 .1 輸入數(shù)據(jù)
10.1 .2 分類網(wǎng)絡
10.1 .3 分割網(wǎng)絡
10.2 PointNet (NIPS 2017)
10.2.1 SA 模塊
10.2.2 分類網(wǎng)絡
10.2.3 分割網(wǎng)絡
10.2.4 多尺度分組
10.3 VoxelNet (CVPR 2018)
10.3 .1 數(shù)據(jù)裁剪
10.3 .2 數(shù)據(jù)處理
10.3 .3 模型結(jié)構(gòu)
10.3 .4 損失函數(shù)
10.4 Complex Yolo
10.4.1 點云鳥瞰圖
10.4.2 點云前視圖
10.4.3 Complex Yolov4 輸入數(shù)據(jù)
10.4.4 Complex Yolov4 模型
10.5 SECOND (Sensor 2018)
10.5 .1 三維稀疏卷積簡介
10.5 .2 模型結(jié)構(gòu)
10.5 .3 頂層結(jié)構(gòu)
10.5 .4 模型訓練
10.6 CenterPoint (CVPR 2021)
10.6 .1 模型總體結(jié)構(gòu)
10.6 .2 模型詳細結(jié)構(gòu)
10.6 .3 頂層結(jié)構(gòu)
10.6 .4 模型訓練
10.7 VoteNet (ICCV 2019)
10.7.1 模型總體結(jié)構(gòu)
10.7.2 模型詳細結(jié)構(gòu)
10.7.3 頂層結(jié)構(gòu)
10.7.4 模型訓練
10.8 目標檢測與圖像融合可視化
10.9 點云語義分割可視化
10.10 程序資料
第11 章室外三維目標檢測模型算法
11 .1 PointPillars (CVPR 2019)
11 .1 .1 模型總體結(jié)構(gòu)
11 .1 .2 模型詳細結(jié)構(gòu)
11 .1 .3 頂層結(jié)構(gòu)
11 .1 .4 模型訓練
11 .2 SSN (ECCV 2020)
11 .2.1 模型總體結(jié)構(gòu)
11 .2.2 模型詳細結(jié)構(gòu)
11 .2.3 損失函數(shù)
11 .2.4 頂層結(jié)構(gòu)
11 .2.5 模型訓練
11 .3 3DSSD (CVPR 2020)
11 .3 .1 模型總體結(jié)構(gòu)
11 .3 .2 最遠點采樣
11 .3 .3 模型詳細結(jié)構(gòu)
11 .3 .4 損失函數(shù)
11 .3 .5 頂層結(jié)構(gòu)
11 .3 .6 模型訓練
11 .4 SASSD (CVPR 2020)
11 .4.1 模型總體結(jié)構(gòu)
11 .4.2 模型詳細結(jié)構(gòu)
11 .4.3 Head 與損失函數(shù)
11 .4.4 頂層結(jié)構(gòu)
11 .4.5 模型訓練
11 .5 PointRCNN (CVPR 2019)
11 .5 .1 模型總體結(jié)構(gòu)
11 .5 .2 模型詳細結(jié)構(gòu)
11 .5 .3 損失函數(shù)
11 .5 .4 頂層結(jié)構(gòu)
11 .5 .5 模型訓練
11 .6 Part A2 (TPAMI 2020)
11 .6 .1 模型總體結(jié)構(gòu)
11 .6 .2 模型詳細結(jié)構(gòu)
7人工智能點云處理及深度學習算法
11 .6 .3 總體損失與頂層結(jié)構(gòu)
11 .6 .4 模型訓練
第12 章室內(nèi)三維目標檢測模型算法
12.1 H3DNet (ECCV 2019)
12.1 .1 模型總體結(jié)構(gòu)
12.1 .2 模型詳細結(jié)構(gòu)
12.1 .3 總體損失與頂層結(jié)構(gòu)
12.1 .4 模型訓練
12.2 Group Free 3D (ICCV 2021)
12.2.1 模型總體結(jié)構(gòu)
12.2.2 模型詳細結(jié)構(gòu)
12.2.3 模型訓練
12.3 FCAF3D (ECCV 2022)
12.3 .1 模型總體結(jié)構(gòu)
12.3 .2 模型詳細結(jié)構(gòu)
12.3 .3 模型訓練
第13 章單目三維目標檢測模型算法
13 .1 ImVoxelNet ( WACV 2022)
13 .1 .1 模型總體結(jié)構(gòu)
13 .1 .2 模型詳細結(jié)構(gòu)
13 .1 .3 損失函數(shù)與頂層結(jié)構(gòu)
13 .1 .4 室內(nèi)情況
13 .1 .5 模型訓練
13 .2 SMOKE (CVPRW 2020)
13 .2.1 模型總體結(jié)構(gòu)
13 .2.2 模型詳細結(jié)構(gòu)
13 .2.3 模型訓練
13 .3 FCOS3D (ICCVW 2021)
13 .3 .1 模型總體結(jié)構(gòu)
13 .3 .2 模型詳解
13 .3 .3 模型訓練
第14 章多模態(tài)三維目標檢測模型算法
14.1 多模態(tài)數(shù)據(jù)融合方法
14.2 MVXNet (ICRA 2019)
14.2.1 模型總體結(jié)構(gòu)
14.2.2 圖像特征提取
14.2.3 點云特征提取
14.2.4 主干網(wǎng)絡與 NECK 層
14.2.5 損失函數(shù)與頂層結(jié)構(gòu)
14.2.6 模型訓練
14.3 ImVoteNet (CVPR 2020)
14.3 .1 模型總體結(jié)構(gòu)
14.3 .2 二維候選框預測
14.3 .3 點云種子點生成
14.3 .4 圖像投票特征提取
14.3 .5 結(jié)果預測與損失計算
14.3 .6 模型訓練
第15 章三維語義分割模型算法
15 .1 PAConv (CVPR 2021)
15 .1 .1 PAConv 卷積結(jié)構(gòu)
15 .1 .2 主干網(wǎng)絡
15 .1 .3 特征上采樣與結(jié)果預測
15 .1 .4 損失函數(shù)與頂層結(jié)構(gòu)
15 .1 .5 模型訓練
15 .2 DGCNN (TOG 2019)
15 .2.1 模型總體結(jié)構(gòu)
15 .2.2 EdgeConv 卷積
15 .2.3 主干網(wǎng)絡
15 .2.4 特征融合與結(jié)果預測
15 .2.5 損失函數(shù)與頂層結(jié)構(gòu)
15 .2.6 模型訓練
第16 章三維深度補全模型
16 .1 模型總體結(jié)構(gòu)
16 .2 輸入數(shù)據(jù)
16 .2.1 KITTI 數(shù)據(jù)集下載
16 .2.2 數(shù)據(jù)集預處理
16 .3 ENet 主干網(wǎng)絡
16 .3 .1 ENet 主干支路一
16 .3 .2 ENet 主干支路二
9人工智能點云處理及深度學習算法
16 .3 .3 分支融合
16 .3 .4 ENet 損失函數(shù)
16 .4 DA CSPN
16 .4.1 卷積核參數(shù)及其權(quán)重學習
16 .4.2 DA CSPN 結(jié)果微調(diào)
16 .4.3 feature_s1 CSPN 結(jié)果微調(diào)
16 .4.4 損失函數(shù)
16 .5 模型訓練
參考文獻

你還可能感興趣

我要評論