You are not allowed to perform this action
بینایی پیشرفته سه‌بعدی کامپیوتر
Advanced 3D Computer Vision
| شماره درس: ۴۰۶۱۶ | تعداد واحد: ۳ |
| مقطع: کارشناسی ارشد | نوع درس: نظری |
| پیش‌نیاز: – | هم‌نیاز: – |
اهداف درس
هدف از این درس، آشنایی دانش‌جویان با درک بینایی، هندسه تک‌دیدی و چنددیدی، بازسازی و تجسم سه‌بعدی، توصیف، تطبیق، و تنظیم نقاط کلیدی، ردیابی سه‌بعدی بر مبنای ویژگی‌های طبیعی، بهینه‌سازی عددی و تخمین مقاوم، و یادگیری ژرف در بینائی کامپیوتری است.
ریز مواد
- مقدمه
- هندسه تک‌دیدی
- فضای ۳-بعدی اقلیدسی و حرکت جسم صلب
- مدل‌های هندسی تشکیل تصویر
- هندسه دودیدی
- ابتدائیات تصویر و انطباق‌ها
- بازسازی به‌وسیله دو دید تنظیم‌شده
- هندسه تنظیم‌نشده و مستقیم‌سازی
- دوربین تنظیم‌نشده
- هندسه اپیپول تنظیم‌نشده
- ابهامات و قیود در تشکیل تصویر
- بازسازی مستقیم‌سازی‌شده
- تنظیم خودکار با دانش پاره‌ای صحنه
- بازسازی چنددیدی از دانش صحنه
- تشابه و هندسه چنددیدی
- تنظیم چندشی‌ای چنددیدی
- الگوریتم‌ها و مثال‌ها
- بهینه‌سازی عددی
- روش‌های عمومی بهینه‌سازی
- بهینه‌سازی کمترین-مربعات غیرخطی
- تخمین خطا
- تخمین مقاوم
- مدل‌سازی قدم به قدم ۳-بعدی
- چارچوب کلی
- انتخاب ویژگی
- تطبیق ویژگی
- بازسازی پروجکتیو و ارتقا اقلیدسی
- بینائی‌گری
- بخش‌بندی صحنه‌های پویا
- انگیزه و شرح مسئله
- روش‌های خوشه‌بندی
- بخش‌بندی حرکت ۳-بعدی
- توصیف و انطباق نقاط کلیدی
- توصیف‌کننده‌های نقاط کلیدی
- انطباق نقاط کلیدی
- سنجنده‌های فاصله
- ردیابی ۳-بعدی بینائی‌گرا
- آشکارسازهای فدوشال
- مدل‌های فعال شکل
- مدل‌های فعال ظاهر
- انطباق کلیشه
- ردیابی ۳-بعدی بر مبنای ویژگی‌های طبیعی
- استخراج نقاط ویژگی
- ردیابی نقاط ویژگی
- ردیابی نقاط موردنظرگرا
- ردیابی قاب مرجع‌گرا
- ردیابی پایدار
- آشکارسازی شی نقاط ویژگی‌گرا
- نزدیکترین نقاط تکراری
- یادگیری ژرف در بینائی کامپیوتری
- شبکه‌های عصبی و پس‌انتشار
- معماری‌های CNN: ایده‌های جدید، مزایا، و معایب
- شبکه‌های عصبی ژرف مکانی-زمانی
- آموزش شبکه‌های عصبی ژرف با جریان تنسور
ارزیابی
- امتحان پایان‌ترم ۴۰٪
- امتحان میان‌ترم ۱۵٪
- کوئیز ۱۰٪
- تکالیف ۱۵٪
- پروژه نهایی ۱۵٪
- گزارش پروژه ۲/۵٪
- ارائه پروژه ۲/۵٪
مراجع
- An Invitation to 3-D Vision, from Images to Geometric Models, Yi Ma, Stefano Soatto, Jana Kosecka, & Shankar Sastry, Springer, 2010.
- Computer Vision - A Modern Approach, David A. Forsyth & Jean Ponce, Prentice Hall, 2nd edition, 2002.
- Probability, Random Variables, & Stochastic Processes, by Athanasios Papoulis, McGraw-Hill, 1991.
- Probability, Random Variables, & Random Signal Principles, by Peyton Z. Peebles, JR., McGraw-Hill, 3rd Edition, 1993.