3D Computer Vision
Добавьте объём знаниям в CV
Научим основам и современным инструментам
Достаточно знать базу в Deep Learning
Сможете собеседоваться в self-drive и AR/VR команды
Может оплатить компания
Image: Velodyne Lidar
Чему вы научитесь
Работать с трёхмерными данными
Конструировать объекты в Blender, работать с различными форматами, редактировать объекты в python
+ навык
Создавать цифровых аватаров людей
Разберетесь, как устроены параметрические модели человека, нейрорендеринг и анимация
+ навык
Поймете математику, стояющую за алгоритмами
Мы расскажем с нуля всю необходимую теорию по математике и закрепим ее на практике
+ навык
Создавать 3D-модели по 2D-фото
Восстанавливать трёхмерный объект или целую сцену по набору входных фотографий или видео
+ навык
Работать с лидарными данными
Решать задачи 3D-детекции/сегментации/классификации с помощью нейросетей
+ навык
Строить 3D-карты для роботов
Узнаете, как научить робота ориентироваться в пространстве и строить 3D карту местности
+ навык
Работать с трёхмерными данными
Конструировать объекты в Blender, работать с различными форматами, редактировать объекты в python
Создавать цифровых аватаров людей
Разберетесь, как устроены параметрические модели человека, нейрорендеринг и анимация
Поймете математику, стояющую за алгоритмами
Мы расскажем с нуля всю необходимую теорию по математике и закрепим ее на практике
Создавать 3D-модели по 2D-фото
Работать с лидарными данными
Решать задачи 3D-детекции/сегментации/классификации с помощью нейросетей
Строить 3D-карты для роботов
Узнаете, как научить робота ориентироваться в пространстве и строить 3D карту местности
Восстанавливать трёхмерный объект или целую сцену по набору входных фотографий или видео
Этот курс
для вас, если
для вас, если
Мы узнали, какие навыки ожидают от инженеров в этой сфере и учли их при создании программы. Вы поймете теорию, стоящую за классическими и современными алгоритмами и закрепите знания на актуальных задачах.
В зарубежных вакансиях часто требуют навыки из области 3D CV. Так как там больше стартапов, создающих сервисы на острие технологий: виртуальные примерки одежды и мебели, роботы, автономные машины, VR/AR-игры, нейрорендеринг, био-тех итд.
и решать привычные задачи новыми способами, на новом домене (3D данных), с новыми устройствами: синтезировать данные в Blender, решать задачи классификации/сегментации/детекции в 3D, использовать стерео-пары и лидары. А также лучше разберетесь в устройстве камеры, геометрии и возможностях OpenCV :)
Мы узнали, какие навыки ожидают от инженеров в этой сфере и учли их при создании программы. Вы поймете теорию, стоящую за классическими и современными алгоритмами и закрепите знания на актуальных задачах.
В зарубежных вакансиях часто требуют навыки из области 3D CV. Так как там больше стартапов, создающих сервисы на острие технологий: виртуальные примерки одежды и мебели, роботы, автономные машины, VR/AR-игры, нейрорендеринг, био-тех итд.
и решать привычные задачи новыми способами, на новом домене (3D данных), с новыми устройствами: синтезировать данные в Blender, решать задачи классификации/сегментации/детекции в 3D, использовать стерео-пары и лидары. А также лучше разберетесь в устройстве камеры, геометрии и возможностях OpenCV :)
Как именно вы освоите каждый навык
Обсуждайте домашние задания, рабочие задачи или просто общайтесь. Кураторы курса всегда помогут решить проблемы и поделятся советом
3. Если возникнут трудности, мы оперативно поможем в чате
Каждую тему вы закрепите на практике. Всего в курсе 11 домашних заданий
2. Закрепите знания практическим заданием
Zoom-лекции проходят 1 раз в неделю. Мы проводим занятия онлайн, чтобы вы могли сразу задать вопросы спикеру. В конце каждой лекции вы закрепите материал анонимным тестом, а спикер прокомментирует ошибки
1. Изучите теорию на zoom-лекции
В конце недели, перед следующей лекцией спикер проводит семинар с разбором решения практического задания одного из студентов. На этой же встрече можно задать любые вопросы
4. Или ответим на вопросы во время семинара с разбором практики
11 заданий
4 месяца
12 лекций
Программа курса
Вводная лекция курса 3D Computer Vision. На ней мы обсудим какие задачи должен решать 3D CV инженер, с какими данными он работает, как их собирает и хранит
Темы лекции:
Темы лекции:
- Какие задачи решают в 3D CV;
- Форматы представления и хранения 3D данных. Воксели, облака точек и меши - чем отличаются и какими инструментами обрабатывать;
- Какие существуют сенсоры: камеры, лидар, радар, кинект;
- Административная часть. Знакомим с курсом
Для построения 3D сцены часто используют обычные rgb-камеры. Но перед использованием их обязательно надо откалибровать. На этой лекции вы узнаете как это происходит
Темы лекции:
Вы научитесь производить калибровку камеры на примере исправления снимков с fisheye эффектом
Темы лекции:
- Проективная геометрия;
- Модель камеры;
- Какие параметры есть у камеры и чем внутренние отличаются от внешних;
- Как откалибровать вашу камеру, чтобы настроить внутренние параметры и коэффициенты дисторсии;
- Гомография
Вы научитесь производить калибровку камеры на примере исправления снимков с fisheye эффектом
На этом занятии вы научитесь находить общие точки на разных изображениях. Это понадобится для триангуляции 3D точек с разных ракурсов
На лекции вы узнаете:
Вы реализуете программу для склейки панорамы из нескольких снимков, используя SuperPoint. Это поможет вам лучше разобраться в работе с ключевыми точками
На лекции вы узнаете:
- Что такое ключевые точки изображения и зачем они нужны;
- Как сравнить две точки с помощью дескрипторов и какие к ним предъявляются требования;
- Разбор построения векторов для точек на примере подробного разбора SIFT дескрипторов;
- Современный DeepLearning подход к сопоставлению ключевых точек (SuperPoint, SiLK, SuperGlue, LoFTR)
Вы реализуете программу для склейки панорамы из нескольких снимков, используя SuperPoint. Это поможет вам лучше разобраться в работе с ключевыми точками
Вы узнаете, как и зачем ставятся задачи SLAM и SfM. Научитесь, как находить перемещения камеры по снимкам и восстанавливать 3D сцену. Получите необходимый математический аппарат для работы с 3D точками и перемещениями
Темы лекции:
Вы попробуете применить алгоритмы PnP и 5-pt для нахождения перемещения камеры и построить простейшую 3D сцену
Темы лекции:
- Эпиполярная геометрия, Multiple View Geometry;
- Описание движения, SO(3) и SE(3) группы;
- Алгоритмы 5-pt и PnP;
- Триангуляция;
- Bundle Adjustment
Вы попробуете применить алгоритмы PnP и 5-pt для нахождения перемещения камеры и построить простейшую 3D сцену
Вы узнаете, как в реальной жизни ставятся и решаются задачи SLAM и SfM, какие трудности возникают и как работают самые популярные алгоритмы
На лекции вы узнаете:
Вы попробуете запустить ORB-SLAM и COLMAP на собственных данных
На лекции вы узнаете:
- Трудности при решении задач в реальных условиях;
- Как работает ORB-SLAM;
- Как работает COLMAP
Вы попробуете запустить ORB-SLAM и COLMAP на собственных данных
После того как мы научили наш гипотетический беспилотный автомобиль захватывать 3D пространство вокруг себя, нам нужно научить его отличать деревья от дорожных знаков. На этом занятии мы разберём как имея облако точек решать задачи детектирования и сегментации в 3D
На лекции вы узнаете:
Вы обучите свою первую нейронную сеть для работы с 3D данными
На лекции вы узнаете:
- Решаемые в 3D задачи: детекция и сегментация;
- Архитектуры нейронных сетей для работы с 3D: от PointNet++ до Трансформеров
Вы обучите свою первую нейронную сеть для работы с 3D данными
Трёхмерная графика развивалась на протяжение десятилетий пока нейронные сети делали неуверенные первые шаги. Чтобы извлечь максимум из этого развития, мы проведём занятие на стыке классической 3D графики и нейронных сетей
На лекции вы узнаете:
Научитесь работать с нейронными текстурами, завтрашним днём реалистичности в компьютерных играх, на примере Deferred Neural Rendering
На лекции вы узнаете:
- Вспомним как работает трёхмерный рендеринг в графике. Разберёмся как накладывается текстура;
- Мотивация к существованию дифференцируемого рендеринга. Решаемые задачи;
- Реализация пробрасывания градиентов через рендеринг;
- Решение наиболее популярных задач с дифференцируемым рендеренгом
Научитесь работать с нейронными текстурами, завтрашним днём реалистичности в компьютерных играх, на примере Deferred Neural Rendering
Настало время обсудить достижения последних лет в области 3D CV - методы неявной геометрии. На этом занятии мы подробно рассмотрим что это такое и какие задачи помогает решать
На лекции вы узнаете:
Разберётесь как устроен NeRF, реализовав код для рендеринга, использующий его
На лекции вы узнаете:
- Что такое NeRF и чем он отличается от SfM;
- Математика лежащая в основе NeRF подхода или как реализуется неявная геометрия;
- InstantNGP;
- Инструменты для работы с NeRF и его обучения;
- Подготовка данных с использованием COLMAP
Разберётесь как устроен NeRF, реализовав код для рендеринга, использующий его
Несмотря на все преимущества подходов с неявной геометрией, они имеют и ряд проблем над которыми активно бьются лучшие умы в 3D CV. На этом занятии мы рассмотрим, что это за проблемы и какие решения существуют на текущий момент
На лекции вы узнаете:
Научитесь работать с инструментом Nerfstudio и обучите нейронную сеть для фотореалистичного рендеринга
На лекции вы узнаете:
- Как восстанавливать 3D по меньшему числу снимков (PixelNeRF, RegNeRF);
- Как работать со снимками с разным масштабом и движущимся объектом (Mip-NeRF, NeRF-W);
- Как обучать NeRF за секунды и инференсить на телефонах (3D Gaussian Splatting, MobileNeRF)
Научитесь работать с инструментом Nerfstudio и обучите нейронную сеть для фотореалистичного рендеринга
Из предыдущих лекций могло сложиться впечатление, что методы с неявной геометрией используются только для фото-реалистичного рендеренга. Спешим развеять эти мысли. На этом занятии вы узнаете какие ещё задачи они помогают решать
На лекции вы узнаете:
Вы научитесь восстанавливать меш из неявной геометрии на примере предобученной SDF модели
На лекции вы узнаете:
- Как восстановить явный трёхмерный меш из неявной геометрии;
- Какие проблемы есть в NeRF при конвертации в меш и как SDF помогает их решить;
- Как NeRF покоряет метавёрс (HumanNeRF, InstantAvatar)
Вы научитесь восстанавливать меш из неявной геометрии на примере предобученной SDF модели
Зачастую сложно получить данные в желаемом объёме и там где в 2D CV их легко можно аугментировать в 3D CV возникают проблемы. На этом занятии мы рассмотрим как изящно выйти из этой ситуации с помощью Blender
На лекции вы узнаете:
Вы произведёте аугментацию 3D скана человека с различным освещением и положением камеры для обучения аватара для метавёрса
На лекции вы узнаете:
- Базовые основы моделирования и текстурирования в Blender;
- Аугментация данных с помощью встроенного в Blender интерпретатора Python
Вы произведёте аугментацию 3D скана человека с различным освещением и положением камеры для обучения аватара для метавёрса
Последняя по порядку, но не по важности лекция посвящена параметрическим моделям в общем и людей в частности. На занятии вы научитесь работать с технологией, которая позволяет анимировать реалистичные 3D модели на базе NeRF
На лекции вы узнаете:
Вы научитесь получать параметрическую модель тела по снимку человека на примере своей фотографии
На лекции вы узнаете:
- Постановку задачи и область применения;
- Разбор параметрических моделей на примере человека: SMPL, FLAME, SMPL-X;
- Получение параметрических моделей;
- Подстройка параметрической модели под снимок конкретного человека
Вы научитесь получать параметрическую модель тела по снимку человека на примере своей фотографии
Вводная лекция курса 3D Computer Vision. На ней мы обсудим какие задачи должен решать 3D CV инженер, с какими данными он работает, как их собирает и хранит
Темы лекции:
Темы лекции:
- Какие задачи решают в 3D CV;
- Форматы представления и хранения 3D данных. Воксели, облака точек и меши - чем отличаются и какими инструментами обрабатывать;
- Какие существуют сенсоры: камеры, лидар, радар, кинект;
- Административная часть. Знакомим с курсом
Для построения 3D сцены часто используют обычные rgb-камеры. Но перед использованием их обязательно надо откалибровать. На этой лекции вы узнаете как это происходит
Темы лекции:
Вы научитесь производить калибровку камеры на примере исправления снимков с fisheye эффектом
Темы лекции:
- Проективная геометрия;
- Модель камеры;
- Какие параметры есть у камеры и чем внутренние отличаются от внешних;
- Как откалибровать вашу камеру, чтобы настроить внутренние параметры и коэффициенты дисторсии;
- Гомография
Вы научитесь производить калибровку камеры на примере исправления снимков с fisheye эффектом
На этом занятии вы научитесь находить общие точки на разных изображениях. Это понадобится для триангуляции 3D точек с разных ракурсов
На лекции вы узнаете:
Вы реализуете программу для склейки панорамы из нескольких снимков, используя SuperPoint. Это поможет вам лучше разобраться в работе с ключевыми точками
На лекции вы узнаете:
- Что такое ключевые точки изображения и зачем они нужны;
- Как сравнить две точки с помощью дескрипторов и какие к ним предъявляются требования;
- Разбор построения векторов для точек на примере подробного разбора SIFT дескрипторов;
- Современный DeepLearning подход к сопоставлению ключевых точек (SuperPoint, SiLK, SuperGlue, LoFTR)
Вы реализуете программу для склейки панорамы из нескольких снимков, используя SuperPoint. Это поможет вам лучше разобраться в работе с ключевыми точками
Вы узнаете, как и зачем ставятся задачи SLAM и SfM. Научитесь, как находить перемещения камеры по снимкам и восстанавливать 3D сцену. Получите необходимый математический аппарат для работы с 3D точками и перемещениями
Темы лекции:
Вы попробуете применить алгоритмы PnP и 5-pt для нахождения перемещения камеры и построить простейшую 3D сцену
Темы лекции:
- Эпиполярная геометрия, Multiple View Geometry;
- Описание движения, SO(3) и SE(3) группы;
- Алгоритмы 5-pt и PnP;
- Триангуляция;
- Bundle Adjustment
Вы попробуете применить алгоритмы PnP и 5-pt для нахождения перемещения камеры и построить простейшую 3D сцену
Вы узнаете, как в реальной жизни ставятся и решаются задачи SLAM и SfM, какие трудности возникают и как работают самые популярные алгоритмы
На лекции вы узнаете:
Вы попробуете запустить ORB-SLAM и COLMAP на собственных данных
На лекции вы узнаете:
- Трудности при решении задач в реальных условиях;
- Как работает ORB-SLAM;
- Как работает COLMAP
Вы попробуете запустить ORB-SLAM и COLMAP на собственных данных
После того как мы научили наш гипотетический беспилотный автомобиль захватывать 3D пространство вокруг себя, нам нужно научить его отличать деревья от дорожных знаков. На этом занятии мы разберём как имея облако точек решать задачи детектирования и сегментации в 3D
На лекции вы узнаете:
Вы обучите свою первую нейронную сеть для работы с 3D данными
На лекции вы узнаете:
- Решаемые в 3D задачи: детекция и сегментация;
- Архитектуры нейронных сетей для работы с 3D: от PointNet++ до Трансформеров
Вы обучите свою первую нейронную сеть для работы с 3D данными
Трёхмерная графика развивалась на протяжение десятилетий пока нейронные сети делали неуверенные первые шаги. Чтобы извлечь максимум из этого развития, мы проведём занятие на стыке классической 3D графики и нейронных сетей
На лекции вы узнаете:
Научитесь работать с нейронными текстурами, завтрашним днём реалистичности в компьютерных играх, на примере Deferred Neural Rendering
На лекции вы узнаете:
- Вспомним как работает трёхмерный рендеринг в графике. Разберёмся как накладывается текстура;
- Мотивация к существованию дифференцируемого рендеринга. Решаемые задачи;
- Реализация пробрасывания градиентов через рендеринг;
- Решение наиболее популярных задач с дифференцируемым рендеренгом
Научитесь работать с нейронными текстурами, завтрашним днём реалистичности в компьютерных играх, на примере Deferred Neural Rendering
Настало время обсудить достижения последних лет в области 3D CV - методы неявной геометрии. На этом занятии мы подробно рассмотрим что это такое и какие задачи помогает решать
На лекции вы узнаете:
Разберётесь как устроен NeRF, реализовав код для рендеринга, использующий его
На лекции вы узнаете:
- Что такое NeRF и чем он отличается от SfM;
- Математика лежащая в основе NeRF подхода или как реализуется неявная геометрия;
- InstantNGP;
- Инструменты для работы с NeRF и его обучения;
- Подготовка данных с использованием COLMAP
Разберётесь как устроен NeRF, реализовав код для рендеринга, использующий его
Несмотря на все преимущества подходов с неявной геометрией, они имеют и ряд проблем над которыми активно бьются лучшие умы в 3D CV. На этом занятии мы рассмотрим, что это за проблемы и какие решения существуют на текущий момент
На лекции вы узнаете:
Научитесь работать с инструментом Nerfstudio и обучите нейронную сеть для фотореалистичного рендеринга
На лекции вы узнаете:
- Как восстанавливать 3D по меньшему числу снимков (PixelNeRF, RegNeRF);
- Как работать со снимками с разным масштабом и движущимся объектом (Mip-NeRF, NeRF-W);
- Как обучать NeRF за секунды и инференсить на телефонах (3D Gaussian Splatting, MobileNeRF)
Научитесь работать с инструментом Nerfstudio и обучите нейронную сеть для фотореалистичного рендеринга
Из предыдущих лекций могло сложиться впечатление, что методы с неявной геометрией используются только для фото-реалистичного рендеренга. Спешим развеять эти мысли. На этом занятии вы узнаете какие ещё задачи они помогают решать
На лекции вы узнаете:
Вы научитесь восстанавливать меш из неявной геометрии на примере предобученной SDF модели
На лекции вы узнаете:
- Как восстановить явный трёхмерный меш из неявной геометрии;
- Какие проблемы есть в NeRF при конвертации в меш и как SDF помогает их решить;
- Как NeRF покоряет метавёрс (HumanNeRF, InstantAvatar)
Вы научитесь восстанавливать меш из неявной геометрии на примере предобученной SDF модели
Зачастую сложно получить данные в желаемом объёме и там где в 2D CV их легко можно аугментировать в 3D CV возникают проблемы. На этом занятии мы рассмотрим как изящно выйти из этой ситуации с помощью Blender
На лекции вы узнаете:
Вы произведёте аугментацию 3D скана человека с различным освещением и положением камеры для обучения аватара для метавёрса
На лекции вы узнаете:
- Базовые основы моделирования и текстурирования в Blender;
- Аугментация данных с помощью встроенного в Blender интерпретатора Python
Вы произведёте аугментацию 3D скана человека с различным освещением и положением камеры для обучения аватара для метавёрса
Последняя по порядку, но не по важности лекция посвящена параметрическим моделям в общем и людей в частности. На занятии вы научитесь работать с технологией, которая позволяет анимировать реалистичные 3D модели на базе NeRF
На лекции вы узнаете:
Вы научитесь получать параметрическую модель тела по снимку человека на примере своей фотографии
На лекции вы узнаете:
- Постановку задачи и область применения;
- Разбор параметрических моделей на примере человека: SMPL, FLAME, SMPL-X;
- Получение параметрических моделей;
- Подстройка параметрической модели под снимок конкретного человека
Вы научитесь получать параметрическую модель тела по снимку человека на примере своей фотографии
Отзывы выпускников
Дмитрий
Илья
linkedin: Ilya-kontaev
Арсений
Назгуль
Егор
Кураторы
Давид Свитов
{Samsung AI Center}
Игорь Ильин
{Kudan SLAM}
Дмитрий Чудаков
{Expasoft}
Ренат Баширов
{Samsung AI Center}
Cоздает 3D аватаров по 1 фотографии. Расскажет о продвинутом NeRF и работе с Blender
Разрабатывает SLAM алгоритмы. Расскажет про SfM и SLAM
Создает 3D карты городов по снимкам с вертолета и земли. Подробно объяснит NeRF
Тимлид в команде цифровых аватаров. Научит работать с параметрическими моделями людей
Cоздает 3D аватаров по 1 фотографии. Расскажет о продвинутом NeRF и работе с Blender
Создает 3D карты городов по снимкам с вертолета и земли. Подробно объяснит NeRF
Решает CV задачи без нейросетей. Программирует микрокомпьютеры. Преподает блок по классическому CV
Тимлид в команде цифровых аватаров. Научит работать с параметрическими моделями людей
Квалифицированный специалист с 20-ти летним стажем. Расскажет про выгорание и синдром самозванца
Ex TeamLead команды CV. Работал над сервисом распознавания документов. Научит решать OCR
Дмитрий Раков
{НИИАС}
Работает над беспилотными поездами. Научит работать с облаками точек
Артур Григорьев
{AIT lab}
Занимается созданием фотореалистичных аватаров и симуляцией одежды
Ольга Гребенкова
{Samsung AI Center}
Создает фотореалистичные аватары людей
Стоимость курса
Количество мест ограничено. Нам важно, чтобы каждый студент получил достаточно внимания
110 000 ₽
Рассрочка
2-й поток
Старт: 22 ноября
Финиш: 20 марта
Может оплатить компания
Принимаем оплату из-за рубежа
Вы можете оплатить курс с зарубежной карты
Гарантируем возврат
Если передумаете учиться - вернем деньги
Есть налоговый вычет
Можно вернуть до 13% обучения. Подробнее по ссылке
Единоразово
27 500₽ /
мес.
Записаться на тариф «Бизнес»
Куратор курса проведет онлайн-встречу и ответит на все вопросы
Нажимая на кнопку, вы даете согласие на обработку своих персональных данных
Записаться на тариф «Стандарт»
Оставьте заявку, чтобы узнать о старте продаж первыми и получить скидку на обучение
Нажимая на кнопку, вы даете согласие на обработку своих персональных данных
Ответы на вопросы
Ответы
на вопросы
на вопросы
Да, мы подготовим счет на полную или частичную оплату для юридического лица.
Для уточнения подробностей напишите на hello@deepschool.ru
Для уточнения подробностей напишите на hello@deepschool.ru
18 астрономических часов на лекции и ~40 часов практики или примерно 5 часов в неделю, что позволяет комфортно встроить обучение в рабочий график
Основы Deep Learning и Computer Vision. Мы предполагаем, что вы уже знаете теорию нейросетей и решали задачи из области компьютерного зрения. Если вы сомневаетесь, подходит ли курс именно вам, напишите нам в телеграм по кнопке ниже "Спросить в ТГ"
Да, вы сможете оформить налоговый вычет за обучение, если вы являетесь налоговым резидентом России и оплачиваете подоходный налог. Подать документы на вычет можно в году, следующем за годом оплаты обучения.
Подробнее о налоговом вычете за обучение можно прочитать на сайте ФНС
Подробнее о налоговом вычете за обучение можно прочитать на сайте ФНС
Лекции проходят по четвергам в 18:00 мск и длятся от 90 до 120 минут. Онлайн-семинары проходят после каждой 4-й лекции.
Да, мы подготовим счет на полную или частичную оплату для юридического лица.
Для уточнения подробностей напиши на hello@deepschool.ru
Для уточнения подробностей напиши на hello@deepschool.ru
18 астрономических часов на лекции и ~40 часов практики или примерно 5 часов в неделю, что позволяет комфортно встроить обучение в рабочий график
Основы Deep Learning и Computer Vision. Мы предполагаем, что вы уже знаете теорию нейросетей и решали задачи из области компьютерного зрения. Если вы сомневаетесь, подходит ли курс именно вам, напишите нам в телеграм по кнопке ниже "Спросить в ТГ"
Да, вы сможете оформить налоговый вычет за обучение, если вы являетесь налоговым резидентом России и оплачиваете подоходный налог. Подать документы на вычет можно в году, следующем за годом оплаты обучения.
Подробнее о налоговом вычете за обучение можно прочитать на сайте ФНС
Подробнее о налоговом вычете за обучение можно прочитать на сайте ФНС
Лекции проходят по четвергам в 18:00 мск и длятся от 90 до 120 минут. Онлайн-семинары проходят после каждой 4-й лекции.
В канале школы DeepSchool мы :
- напоминаем вам теорию ML/DL в виде коротких постов,
- рассказываем про полезные библиотеки и фреймворки,
- задаем вопросы с собеседований,
- и делимся советами, которые помогут вам в работе
- напоминаем вам теорию ML/DL в виде коротких постов,
- рассказываем про полезные библиотеки и фреймворки,
- задаем вопросы с собеседований,
- и делимся советами, которые помогут вам в работе
Совершенно точно повысил свою компетентность в CV, более того курс дал дополнительный импульс углубляться именно в 3D CV.
Если оценивать по 5-балльной шкале, поставил бы курсу 5, тк:
Егор
linkedin: https://www.linkedin.com/in/egor-osinkin/
Если оценивать по 5-балльной шкале, поставил бы курсу 5, тк:
- Сложно найти хорошие материалы по 3D. Тут все основные темы собраны в одном месте.
- Код ревью и фидбек, особенно хочется отметить код ревью домашек по SLAM, глубокому обучению на облаках точек и неявным представлениям. В этих ДЗ было много самописного кода и большой простор для неочевидных ошибок. Во всех этих ДЗ ревьюеры нашли мои ошибки и дали развернутый фидбек как их исправить.
- Хорошее качество материалов курса, особенно учитывая что это первая итерация
- Много практики, домашки к каждой лекции чтобы закреплять темы это прям то что нужно!
- Этот курс намного лучше чем CV, которое было у меня в университете.
- Не хотелось чтобы этот курс заканчивался:)
- Крайне интересно было узнать про компьютерную графику (и машинное обучение в ней), потому что эта тема казалась какой-то неприступной.
- Также для меня было важным то что была скомпилирована выжимка из самых важных статей по NeRF, потому что они очень шустро развиваются: начали с того как нерфы появились и проследили путь как их сделали относительно быстрыми.
- Курс дал хорошие базовые знания по SMPL-подобным моделям, сейчас продолжаю углубляться в тему чтобы потом применить в своей задаче
Егор
linkedin: https://www.linkedin.com/in/egor-osinkin/
Курс максимально полезный лично для меня, систематизирует знания, не оставляет пробелов, и прочитан максимально доступно. Однозначно ощущаю, что стал сильнее в Computer Vision. Все темы были интересны, но особенно выделю SLaM и Bundle Adjustment, а также NeRF.
Перед покупкой казалось, что дороговато, но сомнения не оправдались. Хотелось бы и дальше продолжать изучать материал, для меня курс закончился внезапно).
Всем лекторам спасибо - очень хорошо объясняли свои темы с зацепками где что посмотреть дополнительно. Уже посоветовал курс друзьям и коллегам.
Дмитрий
linkedin: https://www.linkedin.com/in/dmitry-klestov-6ab24183/
Перед покупкой казалось, что дороговато, но сомнения не оправдались. Хотелось бы и дальше продолжать изучать материал, для меня курс закончился внезапно).
Всем лекторам спасибо - очень хорошо объясняли свои темы с зацепками где что посмотреть дополнительно. Уже посоветовал курс друзьям и коллегам.
Дмитрий
linkedin: https://www.linkedin.com/in/dmitry-klestov-6ab24183/
Отличные преподаватели, темы и домашние задания. Понравилась обратная связь, готовность помогать, общение с одногруппниками в discord и уровни сложности в домашках.
Переживал, что для курса понадобятся знания С++, но оказалось нет. Понравилось, что добавили Blender в программу: синтетические данные - сильный козырь в резюме и списке скиллов.
Арсений
linkedin: https://www.linkedin.com/in/arseny-rylov-8043a359?originalSubdomain=ru
Переживал, что для курса понадобятся знания С++, но оказалось нет. Понравилось, что добавили Blender в программу: синтетические данные - сильный козырь в резюме и списке скиллов.
Арсений
linkedin: https://www.linkedin.com/in/arseny-rylov-8043a359?originalSubdomain=ru
Благодаря курсу получилось узнать про новые области CV, с которыми не сталкивался до этого. Если будут новые проекты по 3D CV, то определенно будет проще в них погружаться и работать.
Считаю, что курс хороший, стоит своих денег. Но качество покрытия разных тем меняется от лектора к лектору, больше всего понравились: теория про модель камеры, SLAM и блок про неявные представления.
Для первого знакомства с областью – очень хороший курс. Если есть какой-то опыт в одной из областей, то может не хватить глубины по ней. Но можно будет расширить кругозор по другим или смежным.
Илья
Singularis: ikont
Считаю, что курс хороший, стоит своих денег. Но качество покрытия разных тем меняется от лектора к лектору, больше всего понравились: теория про модель камеры, SLAM и блок про неявные представления.
Для первого знакомства с областью – очень хороший курс. Если есть какой-то опыт в одной из областей, то может не хватить глубины по ней. Но можно будет расширить кругозор по другим или смежным.
Илья
Singularis: ikont
Курс ответил на многие вопросы уже на первом уроке. Хоть еще не все досмотрела, мне понравилось как все устроено. Организаторы очень приятные и понимающие люди! Поэтому даже на этом уровне могу поставить 5!
Назгуль
linkedin: https://www.linkedin.com/in/guli333/
Назгуль
linkedin: https://www.linkedin.com/in/guli333/