非欧氏数据的几何深度学习

本系列课程重点就网络数据、点云数据上的深度学习展开详细的讲解。(课时:3小时47分钟 课程:5节)

非欧数据 深度学习 点云 图卷积 推荐系统

    课程背景

    随着深度学习的发展,人们已经不满足于将深度学习应用于传统的图像、声音、文本等数据上,而是对更一般的几何对象如网络、空间点云、曲面等应用深度学习算法,这一领域被称为几何深度学习(Geometric deep learning)。人们尝试在不规则的非欧氏的数据上扩展卷积神经网络模型,这便有了图卷积神经网络(Graph Neural Network)、PointNet等新的技术。

    本课程重点介绍图卷积神经网络等一系列针对图结构数据(Graph),即我们所说的网络数据,以及PointNet——一种处理点云数据(Point cloud),即一组向量的技术,重点放在算法思路上。

    课程目的

    认真学习本课程,你能做到:

    • 熟悉如何处理雷达扫描产生的点云,以及从点云中识别物体,依靠点云进行图像分割的方法

    • 深入了解图卷积网络,熟悉如何使用图卷积网络处理不规则数据,如何将图卷积网络应用到推荐系统中