Passer au contenu principal
Panneau latéral
Accueil
Plus
Français (fr)
English (en)
Español - Internacional (es)
Français (fr)
Vous êtes connecté anonymement
Connexion
Accueil
N9EN17C - APP transversal Multimédia
2020-2021 : Reconnaissance de créatures et de personnes par vision et apprentissage
Cours IAM sur les Auto-encodeurs
Cours IAM sur les Auto-encodeurs
7.3 Mo
Cliquer le lien
6-AE.pdf
pour afficher le fichier.
◄ APP Etape2 Livret Tuteur
Aller à…
Aller à…
Forum des nouvelles
Fichier de description de la taxonomie de Bloom
Présentation APP du 20/11/2024
Livret général de l'APP (pour étudiant·e·s)
Livret Étape 1 de l'APP (pour étudiant·e·s)
Livret Étape 2 de l'APP (pour étudiant·e·s)
Exemples de texture de synthèse et leur masque associé
Lien vers le cours d'interpolation vu en 2A
Le cours de traitement d'images de deuxième année multimédia
Archive avec 3 papiers sur la texture
Série de vidéo Génération procédurale de terrin en Unity - Episodes 1,2 et3
Thèse d'Arthur Cavalier sur la génération procédurale
Compte-rendu des séances aller et retour
Compte-rendu des séances aller et retour de la deuxième étape
Livret général de l'APP pour les étudiant·e·s
Etape 1 de l'APP pour les étudiant·e·s
Etape 2 de l'APP pour les étudiant·e·s
Groupe de projets APP
Logiciel meshroom
How to extract the camera calibration from meshroom
Données exemples à étudier
Multiple View Geometry in Computer Vision (Second Edition)
Bien définir les objectifs d'apprentissage : la taxonomie de bloom
Livret général de l'APP pour les étudiant·e·s
Lien vers code OpenPose
Lien vers article sur OpenPose
Exemple d'avatar
Lien vers la page de téléchargement du logiciel Live 2D
Lien vers la page de téléchargement du logiciel Animaze
Exemple de résultat
Présentation faite le 08 novembre 2021
Livret général de l'APP (version étudiant.es)
Sujet de l'étape 1 (pour les étudiant.es)
Sujet de l'étape 2 - Version Etudiants
Présentation de l'APP faite le 19 novembre à 12h15
Livret de l'APP disponible dès le 21 novembre
Dataset pokémon
Dataset Market1501 (ré-identification de personnes)
Livret de l'APP disponible dès le 21 novembre
Livret de présentation de l'étape 1
Livret de présentation de l'étape 1 (tuteur)
code et article sur SIFT
ORB
SURF
HOG
LOMO
ColorNames
Lien vers un livre en ligne sur la réidentification
APP Etape2 Livret Etudiant
APP Etape2 Livret Tuteur
DeepFace: Closing the Gap to Human-Level Performance in Face Verification (Taigman et al. 2014)
FaceNet: A Unified Embedding for Face Recognition and Clustering (Schroff et al. 2015)
CutOut : Improved Regularization of Convolutional Neural Networks with Cutout (DeVries et al. 2017)
Lien vers les jeux du club 7fault
Lien vers le jeu
Editeur de carte
Vidéo du jeu
4 Images de test
Lien vers le cours de vision (classe inversée)
Lien vers la thèse sur la mise en correspondance
Lien vers une thèse sur la mise en correspondance avec multirésolution
Livret général étudiant
Diapositives de présentation de l'APP
Etape 1 : Descriptif de mission : fusion de nuages de points 3D
Ressource 1 : A method for registration of 3D shapes
Ressource 2 : 3D Features, surface descriptors, and object descriptors
cours sur la reconstruction 3D
Triangulation des points
Papier1 de Cazals, Giesen, Yvinec
Papier 2 de Cazals, Giesen
Autres méthodes de reconstruction
Etat de l'art sur les autres méthodes de reconstruction
Algorithme de Poisson
Etape 3 : Livret Compression 3D
Transparents cours de compression 3D Dupont
Transparents cours de compression 3D Antonini
Article Etat de l'art, compression 3D
Etape 4 : Livret général étudiant
Transparents présentés pour illustrer/expliquer le cours
Article sur le multi-vue
Polycopié de cours de Peter Sturm
Premier article sur le calibrage
Deuxième article sur le calibrage
Livre de Radu Horaud : Vision par ordinateur : outils fondamentaux
Etape 5 : Livret mise en ligne d'une statue pour les étudiants
Etape 6 : Livret Compression 3D
Transparents cours de compression 3D Dupont
Transparents cours de compression 3D Antonini
Article Etat de l'art, compression 3D
DeepFace: Closing the Gap to Human-Level Performance in Face Verification (Taigman et al. 2014) ►