AIML/딥러닝 최신 트렌드 알고리즘
![[ 3D vision - Study ] - Point Cloud Networks (Finding Good Correspondeces) - 1](https://img1.daumcdn.net/thumb/R750x0/?scode=mtistory2&fname=https%3A%2F%2Fblog.kakaocdn.net%2Fdn%2FLsyLh%2FbtsJUbwqqAb%2FFOmd3ZrEEm7ObKny8BA291%2Fimg.png)
[ 3D vision - Study ] - Point Cloud Networks (Finding Good Correspondeces) - 1
이전에는 good correspondences를 잘 찾았다고 가정하에 수식을 전개했었습니다. 이번에는 good correspondences를 찾기 위해 Camera Pose Estimation Pipeline, Point Cloud Network, Graph Neural Network를 보고, 최종적으로 Correspondences를 학습하는 방법에 대해 보겠습니다. 1. A Typical Camera Pose Estimation Pipeline위사진은 colmap이라는 software의 pipeline입니다. 간단한 과정에 대해 살펴보겠습니다. Feature Extraction이미지들이 주어졌을 때 먼저 Shift / Lift같은 이미지를 설명할 수 있는 local feature들을 추출합니다.위 그림..
![[ 3D vision - Study ] - The Pinhole Camera Model and Epipolar Geometry - 3](https://img1.daumcdn.net/thumb/R750x0/?scode=mtistory2&fname=https%3A%2F%2Fblog.kakaocdn.net%2Fdn%2FQ7wfo%2FbtsJDZXDuTA%2FExZwBTy4VRccuzVINKYjvk%2Fimg.png)
[ 3D vision - Study ] - The Pinhole Camera Model and Epipolar Geometry - 3
5. Epipolar Geometry and the Fundamental Matrix이번에는 카메라간의 상관관계를 묘사하는 하나의 수식을 유도할 것입니다. 지금부터의 수식은 지금까지 얘기했던 Camera Calibration이 되어있다고 가정할 것입니다. 또한, 3D, 2D상의 선분들을 잇게 되면, 어떤 평면을 구성한다는 것을 알아야 합니다. 여기서 가정을 할 것은 카메라에 맺히는 2개의 대응되는 지점이 어딘지를 안다고 가정할 것입니다. 사실상 이 대응되는 지점을 알아내는 것이 3D vision의 핵심이지만 우리는 이론적인것을 유도하고 있기때문에, 이는 풀어졌다고 가정을 하는 것입니다. 이제 우리는 신기한 일을 할 수 있게됩니다. 우리가 3D 어디에서 카메라의 두 선분이 만나는지 몰라도, 두개의 대응점을..
![[ 3D vision - Study ] - The Pinhole Camera Model and Epipolar Geometry - 2](https://img1.daumcdn.net/thumb/R750x0/?scode=mtistory2&fname=https%3A%2F%2Fblog.kakaocdn.net%2Fdn%2FoneuJ%2FbtsJDqhkqDK%2FLJzffNQ33DTQQgTa6byn0k%2Fimg.png)
[ 3D vision - Study ] - The Pinhole Camera Model and Epipolar Geometry - 2
3. The Pinhole Camera Model이전에는 카메라 모델을 통해 3차원을 변환을 알아보기 전에, 2D -> 2D의 Homograpy를 알아보았었습니다. 이번에는 본격적으로 기본적인 카메라 모델인 pinhole camera model부터 살펴보겠습니다. From 2D to 3D가장 먼저 3D가 어떻게 2D영상으로 영상에 매치되는지를 모델링할 필요가 있습니다. 그래서 3D의 [X,Y,Z][X,Y,Z]로 표현되는 물리적인 지점이 거쳐서 카메라에 맺히는 2D의 [x,y,1][x,y,1]과 어떻게 대응되는지 모델링을 해야합니다. 이걸 하기 위해 먼저 카메라와 상이 맺히는 지점의 거리가 1이라 가정합니다. Simplification of how camera work위 그림은 실제 3D에 있는 [X,Y,Z][X,Y,Z]..
![[ 3D vision - Study ] - The Pinhole Camera Model and Epipolar Geometry - 1](https://img1.daumcdn.net/thumb/R750x0/?scode=mtistory2&fname=https%3A%2F%2Fblog.kakaocdn.net%2Fdn%2F5ahre%2FbtsJDrAhrmt%2FmJaEJhQRdqam1rOYRP9AUK%2Fimg.png)
[ 3D vision - Study ] - The Pinhole Camera Model and Epipolar Geometry - 1
최근에 3D vision에 관심이 생겨서, 관련 공부를 하고 있었습니다. 해당 포스팅은 Pinhole Camera와 Epipolar Geometry에 관련해서 스터디를 한 내용을 정리하기 위함입니다. 추후에는 Point Cloud Networks와 Nerual Fields(Nerf)에 대해 다루겠습니다. 해당 내용은 Hartley and Zisserman's book의 내용을 참고하였으며, 이광무 교수의 THE RED강의를 수강후 작성하였습니다. 1. Homogeneous Coordinates and 2D Homography먼저 위의 그림상에서 3D 점과, 선을 나타낼 수 있는 Homogeneous coorodinates에 대해 다룰 것이며, 점들과 선분들이 2차원적인 측면에서 어떤 관계를 이루고 있는..