• 学习时长

    10周/建议每周8个小时

  • 答疑服务

    专属微信答疑群/讲师助教均参与

  • 作业批改

    每章节设计作业/助教及时批改评分

 

  • 第1章: Introduction and Basic Algorithms
  • 第1节: Lecture Slides
  • 第2节: Course outline and prerequisite
  • 第3节: PCA and Kernel PCA
  • 第4节: Smoothing, Filtering and Downsampling
  • 第5节: homework: practice
  • 第3章: Clustering
  • 第1节: Lecture Slides
  • 第2节: Math prerequisite
  • 第3节: K-Means
  • 第4节: Gaussian Mixture Model (GMM)
  • 第5节: Expectation-Maximization (EM)
  • 第6节: Spectral Clustering
  • 第7节: homework: practice
  • 第4章: Model Fitting
  • 第1节: Lecture Slides
  • 第2节: spectral clustering
  • 第3节: meanshift & dbscan
  • 第4节: Robust Least Square
  • 第5节: Hough Transform
  • 第6节: RANSAC
  • 第7节: homework: practice
  • 第8节: 作业讲评
  • 第5章: Deep Learning on Point Cloud
  • 第1节: Lecture Slides
  • 第2节: Introduction to Deep Learning
  • 第3节: PointNet & PointNet++
  • 第4节: homework: practice
  • 第5节: GCN
  • 第6节: Supplementary
  • 第6章: 3D Object Detection
  • 第1节: Lecture Slides
  • 第2节: introduction
  • 第3节: Image based object detection - RCNN, FastRCNN, FasterRCNN, SSD
  • 第4节: VoxelNet, PointPillars
  • 第5节: PointRCNN
  • 第6节: Image and Point Cloud fusion - Frustum PointNet, PointPainting
  • 第7节: homework: practice
  • 第7章: 3D Feature Detection
  • 第1节: Lecture Slides
  • 第2节: introduction & harris 2d
  • 第3节: harris 3d & 6d
  • 第4节: Intrinsic Shape Signatures (ISS)
  • 第5节: Deep learning 3D features - USIP
  • 第6节: SO-Net
  • 第7节: homework: practice
  • 第8章: 3D Feature Description
  • 第1节: Lecture Slides
  • 第2节: PFH & FPFH
  • 第3节: SHOT
  • 第4节: 3DMatch & Perfect Match
  • 第5节: PPFNet & PPF-FoldNet
  • 第6节: homework: practice
  • 第9章: Registration
  • 第1节: Lecture Slides
  • 第2节: Iterative Closest Point (ICP)
  • 第3节: Normal Distribution Transform (NDT)
  • 第4节: Registration by RANSAC with feature detection, description, matching
  • 第5节: homework: practice

相关推荐

计算机视觉 计算机视觉 基础
计算机视觉 智能机器人 SLAM/VIO 基础