학습 내용
3D understanding
-
우리는 3D 세계에서 살고 있기 때문에 3D 공간을 이해하는 것이 굉장히 중요하다.
-
활용 application
- AR, VR
- 3D printing
- Medical, chemical application
-
우리가 보는 사진은 3D를 2D로 projection 한 것이다.
-
3D data representation
- Multi-view image
- Voxel
- Mesh
- Point cloud
- Part assembly
- Implicit shape
3D 관련한 학습을 위해 3D dataset이 필요하다
-
ShapeNet
- 51,300 3D models with 55 categories
- 3D data가 워낙 구하기 힘들어 51,300개 정도면 large scale이다.
-
PartNet
- Fine-grained dataset(하나의 object에 detail들이 annotation 되어있다.)
- 573,585 part instances in 26,671 3D models
-
SceneNet
- 500만개의 RGB, Depth pair로 되어있는 Indoor images
-
ScanNet
- RGB-Depth pair dataset
- 250만 개의 view
- 실제 1500개의 indoor scan
-
Outdoor 3D scene datasets
- 대부분 무인 차 관련해 사용하기 위한 dataset들이다.
- KITTI, Semantic KITTI, Waymo open dataset
3D tasks
- 3D recognition
- 3D data를 recognition, detection, ...
- 3D sementic segmentation
- Mesh R-CNN
- 2D image를 input으로 받아 3D mesh를 output으로 반환
- 기존 Mask R-CNN에 3D branch를 추가
느낀 점
-
2주간 짧은 시간이었지만 지금 팀원과 할 수 있어 좋았고 발전할 수 있었다. 지금 팀원들이 질문이나 자신이 정리한 자료 공유를 굉장히 많이 하셨는데, 이를 통해 나도 더 자극 받고 열심히 하는 계기가 되었다.
-
지난 주에 배운 내용보단 확실히 심화된 내용을 많이 배웠고, 기술적으로 굉장히 흥미로운 분야도 많이 알게 되었다. 지금까지는 대략적으로 배웠지만, 이제는 관심있는 부분을 좀 더 깊게 공부하면서 하고 싶은 분야를 찾아야겠다.
