| Título : |
3D Point Cloud Analysis : Traditional, Deep Learning, and Explainable Machine Learning Methods |
| Tipo de documento: |
documento electrónico |
| Autores: |
Liu, Shan, Autor ; Zhang, Min, Autor ; Kadam, Pranav, Autor ; Kuo, C.-C. Jay, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
[s.l.] : Springer |
| Fecha de publicación: |
2021 |
| Número de páginas: |
XIV, 146 p. 92 ilustraciones, 88 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-3-030-89180-0 |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Aprendizaje automático Inteligencia artificial Sistemas de reconocimiento de patrones Procesamiento de imágenes Visión por computador Reconocimiento de patrones automatizado Imágenes por computadora visión reconocimiento de patrones y gráficos |
| Índice Dewey: |
006.31 Máquina de aprendizaje |
| Resumen: |
Este libro presenta la nube de puntos; sus aplicaciones en la industria y los conjuntos de datos más utilizados. Se centra principalmente en tres tareas de visión por computadora: clasificación, segmentación y registro de nubes de puntos, que son fundamentales para cualquier sistema basado en nubes de puntos. Una descripción general de los métodos tradicionales de procesamiento de nubes de puntos ayuda a los lectores a adquirir conocimientos básicos rápidamente, mientras que el aprendizaje profundo sobre los métodos de nubes de puntos incluye un análisis exhaustivo de los avances de los últimos años. Luego se presentan en detalle nuevos métodos explicables de aprendizaje automático para el aprendizaje de nubes de puntos, que son livianos y fáciles de entrenar. Se proporcionan evaluaciones de desempeño cuantitativas y cualitativas. La comparación y el análisis entre los tres tipos de métodos se brindan para ayudar a los lectores a tener una comprensión más profunda. Con la rica literatura sobre aprendizaje profundo en visión 2D, una inclinación natural de los investigadores de visión 3D es desarrollar métodos de aprendizaje profundo para el procesamiento de nubes de puntos. El aprendizaje profundo en nubes de puntos ha ganado popularidad desde 2017 y el número de artículos de conferencias en esta área continúa aumentando. A diferencia de las imágenes 2D, las nubes de puntos no tienen un orden específico, lo que hace que el procesamiento de nubes de puntos mediante aprendizaje profundo sea bastante desafiante. Además, debido a la naturaleza geométrica de las nubes de puntos, los métodos tradicionales todavía se utilizan ampliamente en la industria. Por lo tanto, este libro tiene como objetivo familiarizar a los lectores con esta área proporcionando una descripción general completa de los métodos tradicionales y los métodos de aprendizaje profundo de última generación. Una parte importante de este libro se centra en el aprendizaje automático explicable como un enfoque diferente al aprendizaje profundo. Los métodos explicables de aprendizaje automático ofrecen una serie de ventajas sobre los métodos tradicionales y los métodos de aprendizaje profundo. Este es el punto culminante y la novedad principal del libro. Al abordar tres tareas de investigación (reconocimiento, segmentación y registro de objetos 3D utilizando nuestra metodología), los lectores tendrán una idea de cómo resolver problemas de una manera diferente y podrán aplicar los marcos a otras tareas de visión por computadora en 3D, lo que les brindará inspiración. para sus propias investigaciones futuras. Se proporcionan numerosos experimentos, análisis y comparaciones sobre tres tareas de visión por computadora en 3D (reconocimiento, segmentación, detección y registro de objetos) para que los lectores puedan aprender a resolver problemas difíciles de visión por computadora. |
| Nota de contenido: |
I. Introduction -- II. Traditional point cloud analysis -- III. Deep-learning-based point cloud analysis -- IV. Explainable machine learning methods for point cloud analysis -- V. Conclusion and future work. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
3D Point Cloud Analysis : Traditional, Deep Learning, and Explainable Machine Learning Methods [documento electrónico] / Liu, Shan, Autor ; Zhang, Min, Autor ; Kadam, Pranav, Autor ; Kuo, C.-C. Jay, Autor . - 1 ed. . - [s.l.] : Springer, 2021 . - XIV, 146 p. 92 ilustraciones, 88 ilustraciones en color. ISBN : 978-3-030-89180-0 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Aprendizaje automático Inteligencia artificial Sistemas de reconocimiento de patrones Procesamiento de imágenes Visión por computador Reconocimiento de patrones automatizado Imágenes por computadora visión reconocimiento de patrones y gráficos |
| Índice Dewey: |
006.31 Máquina de aprendizaje |
| Resumen: |
Este libro presenta la nube de puntos; sus aplicaciones en la industria y los conjuntos de datos más utilizados. Se centra principalmente en tres tareas de visión por computadora: clasificación, segmentación y registro de nubes de puntos, que son fundamentales para cualquier sistema basado en nubes de puntos. Una descripción general de los métodos tradicionales de procesamiento de nubes de puntos ayuda a los lectores a adquirir conocimientos básicos rápidamente, mientras que el aprendizaje profundo sobre los métodos de nubes de puntos incluye un análisis exhaustivo de los avances de los últimos años. Luego se presentan en detalle nuevos métodos explicables de aprendizaje automático para el aprendizaje de nubes de puntos, que son livianos y fáciles de entrenar. Se proporcionan evaluaciones de desempeño cuantitativas y cualitativas. La comparación y el análisis entre los tres tipos de métodos se brindan para ayudar a los lectores a tener una comprensión más profunda. Con la rica literatura sobre aprendizaje profundo en visión 2D, una inclinación natural de los investigadores de visión 3D es desarrollar métodos de aprendizaje profundo para el procesamiento de nubes de puntos. El aprendizaje profundo en nubes de puntos ha ganado popularidad desde 2017 y el número de artículos de conferencias en esta área continúa aumentando. A diferencia de las imágenes 2D, las nubes de puntos no tienen un orden específico, lo que hace que el procesamiento de nubes de puntos mediante aprendizaje profundo sea bastante desafiante. Además, debido a la naturaleza geométrica de las nubes de puntos, los métodos tradicionales todavía se utilizan ampliamente en la industria. Por lo tanto, este libro tiene como objetivo familiarizar a los lectores con esta área proporcionando una descripción general completa de los métodos tradicionales y los métodos de aprendizaje profundo de última generación. Una parte importante de este libro se centra en el aprendizaje automático explicable como un enfoque diferente al aprendizaje profundo. Los métodos explicables de aprendizaje automático ofrecen una serie de ventajas sobre los métodos tradicionales y los métodos de aprendizaje profundo. Este es el punto culminante y la novedad principal del libro. Al abordar tres tareas de investigación (reconocimiento, segmentación y registro de objetos 3D utilizando nuestra metodología), los lectores tendrán una idea de cómo resolver problemas de una manera diferente y podrán aplicar los marcos a otras tareas de visión por computadora en 3D, lo que les brindará inspiración. para sus propias investigaciones futuras. Se proporcionan numerosos experimentos, análisis y comparaciones sobre tres tareas de visión por computadora en 3D (reconocimiento, segmentación, detección y registro de objetos) para que los lectores puedan aprender a resolver problemas difíciles de visión por computadora. |
| Nota de contenido: |
I. Introduction -- II. Traditional point cloud analysis -- III. Deep-learning-based point cloud analysis -- IV. Explainable machine learning methods for point cloud analysis -- V. Conclusion and future work. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Hacer una sugerencia Refinar búsqueda
