مشخصات کتاب

3D Deep Learning with Python: Design and develop your computer vision model with 3D data using PyTorch3D and more

ویرایش: [Joseph Sunil ed.] 
نویسندگان: Xudong Ma,  Vishakh Hegde,  Lilit Yolyan  
سری:  
ISBN (شابک) : 1803247827, 9781803247823 
ناشر: Packt Publishing 
سال نشر: 2022 
تعداد صفحات: 236 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 Mb 

در صورت تبدیل فایل کتاب 3D Deep Learning with Python: Design and develop your computer vision model with 3D data using PyTorch3D and more به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب یادگیری عمیق سه بعدی با پایتون: مدل بینایی کامپیوتر خود را با داده های سه بعدی با استفاده از PyTorch3D و موارد دیگر طراحی و توسعه دهید نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب یادگیری عمیق سه بعدی با پایتون: مدل بینایی کامپیوتر خود را با داده های سه بعدی با استفاده از PyTorch3D و موارد دیگر طراحی و توسعه دهید

تجسم و ساخت مدل‌های یادگیری عمیق با داده‌های سه‌بعدی با استفاده از PyTorch3D و سایر چارچوب‌های پایتون برای غلبه بر چالش‌های کاربردی در دنیای واقعی به آسانی ویژگی‌های کلیدی: درک پردازش داده‌های سه بعدی با رندر، بهینه‌سازی PyTorch و دسته‌بندی ناهمگن پیاده‌سازی مفاهیم رندر متفاوت با مثال‌های عملی. می تواند کار شما را با جدیدترین تکنیک های یادگیری عمیق سه بعدی با استفاده از PyTorch3D آسان کند توضیحات کتاب: با این راهنمای عملی برای یادگیری عمیق سه بعدی، توسعه دهندگانی که با بینایی کامپیوتری سه بعدی کار می کنند قادر خواهند بود دانش خود را به کار ببندند و در کمترین زمان راه اندازی و اجرا شوند. . این کتاب با توضیحات گام به گام مفاهیم اساسی و مثال‌های عملی، به شما امکان می‌دهد به کاوش و درک کامل از پیشرفته‌ترین یادگیری عمیق سه بعدی دست یابید. نحوه استفاده از PyTorch3D را برای پردازش داده‌های ابری سه‌بعدی و نقطه‌ای، از جمله بارگیری و ذخیره فایل‌های ply و obj، نمایش نقاط سه‌بعدی در هماهنگی دوربین با استفاده از مدل‌های دوربین پرسپکتیو یا مدل‌های دوربین املایی، رندر کردن ابرهای نقطه‌ای و مش‌ها به تصاویر، خواهید دید. ، و خیلی بیشتر. با پیاده‌سازی برخی از جدیدترین الگوریتم‌های یادگیری عمیق سه بعدی، مانند رندر دیفرانسیل، Nerf، synsin و مش 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 که مدل های یادگیری عمیق سه بعدی خود را با اطمینان پیاده سازی کنید. آنچه خواهید آموخت: ایجاد مدل های بینایی کامپیوتری سه بعدی برای تعامل با محیط با مدیریت داده های سه بعدی با ابرهای نقطه، مش ها، لایه ها و فرمت فایل obj کار با هندسه سه بعدی، مدل های دوربین و هماهنگی و تبدیل بین آنها درک مفاهیم رندر، سایه‌زنی و موارد دیگر با سهولت اجرای رندر دیفرانسیل برای بسیاری از مدل‌های یادگیری عمیق سه بعدی مدل‌های پیشرفته پیشرفته سه بعدی یادگیری عمیق مانند Nerf، synsin، mesh RCNN این کتاب برای چه کسانی است: این کتاب برای مبتدی تا متوسط ​​است. شاغلین سطح یادگیری ماشین، دانشمندان داده، مهندسان ML و مهندسان DL که به دنبال کسب مهارت در تکنیک های بینایی کامپیوتر با استفاده از داده های سه بعدی هستند.

توضیحاتی درمورد کتاب به خارجی

Visualize and build deep learning models with 3D data using PyTorch3D and other Python frameworks to conquer real-world application challenges with ease Key Features: Understand 3D data processing with rendering, PyTorch optimization, and heterogeneous batching Implement differentiable rendering concepts with practical examples Discover how you can ease your work with the latest 3D deep learning techniques using PyTorch3D Book Description: With this hands-on guide to 3D deep learning, developers working with 3D computer vision will be able to put their knowledge to work and get up and running in no time. Complete with step-by-step explanations of essential concepts and practical examples, this book lets you explore and gain a thorough understanding of state-of-the-art 3D deep learning. You\'ll see how to use PyTorch3D for basic 3D mesh and point cloud data processing, including loading and saving ply and obj files, projecting 3D points into camera coordination using perspective camera models or orthographic camera models, rendering point clouds and meshes to images, and much more. As you implement some of the latest 3D deep learning algorithms, such as differential rendering, Nerf, synsin, and mesh RCNN, you\'ll realize how coding for these deep learning models becomes easier using the PyTorch3D library. By the end of this deep learning book, you\'ll be ready to implement your own 3D deep learning models confidently. What You Will Learn: Develop 3D computer vision models for interacting with the environment Get to grips with 3D data handling with point clouds, meshes, ply, and obj file format Work with 3D geometry, camera models, and coordination and convert between them Understand concepts of rendering, shading, and more with ease Implement differential rendering for many 3D deep learning models Advanced state-of-the-art 3D deep learning models like Nerf, synsin, mesh RCNN Who this book is for: This book is for beginner to intermediate-level machine learning practitioners, data scientists, ML engineers, and DL engineers who are looking to become well-versed with computer vision techniques using 3D data.

فهرست مطالب

Cover
Title Page
Copyright and Credits
Contributors
Table of Contents
Preface
PART 1: 3D Data Processing Basics
Chapter 1: Introducing 3D Data Processing
	Technical requirements
	Setting up a development environment
	3D data representation
		Understanding point cloud representation
		Understanding mesh representation
		Understanding voxel representation
	3D data file format – Ply files
	3D data file format – OBJ files
	Understanding 3D coordination systems
	Understanding camera models
	Coding for camera models and coordination systems
	Summary
Chapter 2: Introducing 3D Computer Vision and Geometry
	Technical requirements
	Exploring the basic concepts of rendering, rasterization, and shading
		Understanding barycentric coordinates
		Light source models
		Understanding the Lambertian shading model
		Understanding the Phong lighting model
	Coding exercises for 3D rendering
	Using PyTorch3D heterogeneous batches and PyTorch optimizers
		A coding exercise for a heterogeneous mini-batch
	Understanding transformations and rotations
		A coding exercise for transformation and rotation
	Summary
PART 2: 3D Deep Learning Using PyTorch3D
Chapter 3: Fitting Deformable Mesh Models to Raw Point Clouds
	Technical requirements
	Fitting meshes to point clouds – the problem
	Formulating a deformable mesh fitting problem into an optimization problem
	Loss functions for regularization
		Mesh Laplacian smoothing loss
		Mesh normal consistency loss
		Mesh edge loss
	Implementing the mesh fitting with PyTorch3D
		The experiment of not using any regularization loss functions
		The experiment of using only the mesh edge loss
	Summary
Chapter 4: Learning Object Pose Detection and Tracking by Differentiable Rendering
	Technical requirements
	Why we want to have differentiable rendering
	How to make rendering differentiable
		What problems can be solved by using differentiable rendering
	The object pose estimation problem
	How it is coded
		An example of object pose estimation for both silhouette fitting and texture fitting
	Summary
Chapter 5: Understanding Differentiable Volumetric Rendering
	Technical requirements
	Overview of volumetric rendering
	Understanding ray sampling
	Using volume sampling
	Exploring the ray marcher
	Differentiable volumetric rendering
		Reconstructing 3D models from multi-view images
	Summary
Chapter 6: Exploring Neural Radiance Fields (NeRF)
	Technical requirements
	Understanding NeRF
		What is a radiance field?
		Representing radiance fields with neural networks
	Training a NeRF model
	Understanding the NeRF model architecture
	Understanding volume rendering with radiance fields
		Projecting rays into the scene
		Accumulating the color of a ray
	Summary
PART 3: State-of-the-art 3D Deep Learning Using PyTorch3D
Chapter 7: Exploring Controllable Neural Feature Fields
	Technical requirements
	Understanding GAN-based image synthesis
	Introducing compositional 3D-aware image synthesis
	Generating feature fields
	Mapping feature fields to images
	Exploring controllable scene generation
		Exploring controllable car generation
		Exploring controllable face generation
	Training the GIRAFFE model
		Frechet Inception Distance
		Training the model
	Summary
Chapter 8: Modeling the Human Body in 3D
	Technical requirements
	Formulating the 3D modeling problem
		Defining a good representation
	Understanding the Linear Blend Skinning technique
	Understanding the SMPL model
		Defining the SMPL model
	Using the SMPL model
	Estimating 3D human pose and shape using SMPLify
		Defining the optimization objective function
	Exploring SMPLify
		Running the code
		Exploring the code
	Summary
Chapter 9: Performing End-to-End View Synthesis with SynSin
	Technical requirements
	Overview of view synthesis
	SynSin network architecture
		Spatial feature and depth networks
		Neural point cloud renderer
		Refinement module and discriminator
	Hands-on model training and testing
	Summary
Chapter 10: Mesh R-CNN
	Technical requirements
	Overview of meshes and voxels
	Mesh R-CNN architecture
		Graph convolutions
		Mesh predictor
	Demo of Mesh R-CNN with PyTorch
		Demo
	Summary
Index
Other Books You May Enjoy

نظرات کاربران

کتاب های تصادفی

دانلود کتاب The Human, the Orchid, and the Octopus: Exploring and Conserving Our Natural World

دانلود کتاب Украинская летопись. MDCXL – MDCLVII

دانلود کتاب La reinvención de The New York Times: Cómo la dama gris del periodismo se está adaptando (con éxito) a la era de los móviles

دانلود کتاب Common Dermatologic Conditions in Primary Care

دانلود کتاب Photoactive Functional Soft Materials: Preparation, Properties, and Applications