En aquesta classe oferirem una visió general de les arquitectures d'aprenentatge profund (deep learning) utilitzades per a l'anàlisi i reconstrucció 3D. A través d'una sèrie d'exemples, explorarem una idea clau: la representació escollida per descriure dades 3D (per exemple, quadrícules de voxels, núvols de punts...) té un impacte crucial en el rendiment dels algorismes. Malauradament, no hi ha cap representació de referència que compleixi tots els requisits que podríem desitjar en cada situació (per exemple, lleugera, flexible, etc.). En aquesta sessió, considerarem algunes compensacions importants entre les representacions més habituals i suggerirem regles generals per triar una bona coincidència per a algunes aplicacions populars.
Aquesta open class es realitzarà en anglès.
El ponent
Gil Triginer, Deep Learning Engineer a Crisalix.
Doctor en Física Atòmica i Làser per la Universitat d’Oxford i Enginyer de Telecomunicacions per la Universitat Politècnica de Catalunya (UPC). El 2019 es va incorporar a Crisalix Labs com a investigador d’aprenentatge profund (DL), centrat en l’aplicació de tècniques de DL per a la reconstrucció en 3D.
La sessió es farà en línia mitjançant l'eina Google Meet.
Més entrades de Formació
Comentaris