【UC San Diego】最新「三维深度学习(3D DL):过去与未来」教程，156页ppt

【导读】三维深度学习对于处理真实场景数据具有重要的意义，3D理解对于很多应用程序都是至关重要的，比如自动驾驶汽车、自动机器人、虚拟现实和增强现实。来自UC San Diego的苏昊老师一直以来研究3D深度学习，他的一份3D Deep Learning教程，共有156页ppt，是学习了解三维深度学习的重要资料。

地址：

http://cseweb.ucsd.edu/~haosu/talks.html#_3d_deep_learning

视频地址： https://youtu.be/vfL6uJYFrp4

深度学习最近很流行，在处理文本、声音或图像等任务时都表现出色。由于其出色的性能，已经有人努力将其应用于更具挑战性的场景，例如，3D数据处理。在这次的演讲中，我将结合自己的工作，对三维深度学习的进展进行一个概述，涉及的领域非常广泛，包括三维识别、单幅图像的三维重建、新视角合成、三维形状空间学习、三维形状补全等。在对目前进展的概述的基础上，我还将提出几个可能的方向来推动该领域的发展，把它放在通用AI的角度。

3D理解对于很多应用都是至关重要的，比如自动驾驶汽车、自动机器人、虚拟现实和增强现实。与以常规像素阵列为主的二维图像不同，三维数据可以由激光雷达传感器等不规则的三维点云来表示。这对深入的架构设计提出了挑战。

本教程将介绍用于3D理解的3D数据分析的深度学习算法，如3D语义分割、3D对象检测和跟踪。尽管取得了这些进展，但在静态和动态环境中，诸如活动识别、行为预测和推断三维场景中物体的空间关系等问题仍然存在根本性的挑战。此外，由于我们的世界本质上是3D的，因此3D深度学习对于表示学习对输入扰动具有鲁棒性，并推广到具有高样本效率的真实世界变化(例如，转换不变性)是至关重要的。本教程提供了一个及时的机会，让计算机视觉社区参与到3D深度学习的独特挑战和机会中来。

苏昊（University of California, San Diego），2017年起在UCSD计算机工程学院担任助理教授，主要研究方向为人工智能领域的结构理解、形状理解、场景理解，研究成果主要集中在机器学习、计算机图像等方面，应用领域包括自动驾驶及VR/AR等方面。

http://cseweb.ucsd.edu/~haosu/

目录内容：

Part I: 3D Data, by Hao Su

Part II: Classification, by Hao Su

Part II: Segmentation & Detection, by Jiayuan Gu

Part III: 3D Data Synthesis, by Minghua Liu