※ 本文是否可提供台大同学转作其他非营利用途？（须保留原作者 ID）
（是／否／其他条件）：
是
哪一学年度修课：
109-2
ψ 授课教师 (若为多人合授请写开课教师，以方便收录)
陈祝嵩
λ 开课系所与授课对象 (是否为必修或通识课 / 内容是否与某些背景相关)
资讯所 选修
δ 课程大概内容
wk01 Image and Vision Computing
Camera Model
Introdcution to Homography
wk02 Estimation of Homography
Camera Projection Matrix and Calibration
wk03 Camera Calibration
Camera Pose Estimation-P3P
wk04 Non-perspective n points
RANSAC
wk05 Camera Pose Estimation-EPnP
Blob Feature and SIFT
Image-based Localization
wk07 Introduction of Deep CNN
Quaternions
Deep Learning for Camera Pose Regression
wk08 Essential and Fundamental Matrix
Stereo Pair & Rectification
Triangulation
wk09 Mid-term
wk10 Stereo Processing
Traditional Stereo Matching
Deep Learning Stereo Matching
Pose from Epipolar Geometry & Visual Odometry
wk11 Multiple View Stereo
ORB-SLAM
wk12 SfM Learner
Bundle Adjustment
Deep Local Feature
wk13 COLMAP
View synthesis and shape generation
Deep learning for 3D point cloud
Deep learning for 3D human pose
wk14 Term project proposal
wk15 Homework 2 & Homework 3 Review
wk16 Trifocal Tensor
Deep Two Views SfM Revisited
Multi-view Multi-Human 3D Pose Estimation and Tracking
wk17 Deep 3D Stabilizer
wk18 Presentation
Ω 私心推荐指数(以五分计) ★★★★★
想学3DCV ★★★★★
想学DL更多不同的应用 ★★★★★★★★★★
你的第一堂DL课 ★
没有有GUI的Ubuntu ★★★★
η 上课用书(影印讲义或是指定教科书)
投影片
μ 上课方式(投影片、团体讨论、老师教学风格)
前十几周都是由老师讲述投影片，后期有时一些DL的内容会由做相关研究的助教来讲
讲课速度适宜，容易理解
σ 评分方式(给分甜吗？是扎实分？)
Homework (3 times): 60%
Midterm Exam: 15%
Final Project: 25%
Presentation: 35% (proposal 15% || final 20%)
Report: 30%
Methodology: 35%
ρ 考题型式、作业方式
作业：
第一次 手刻Planar Homography算法
对提供的图片做homography(不能使用opencv)
Bonus则是使用任何方式(例如考虑线)
来提升performance
第二次 手刻Camera Relocalization算法(不能使用opencv)
可以implement P3P或P4P
加上RANSAC已提升performance
dataset为台大校门口的3D point cloud以及一堆2D image
要用自己的算法把这些2D image拍摄位置在3D空间中绘制出来
并且在这3D空间中摆一个cube然后render在这些image中做成影片
此时需想办法得到正确的image拍摄顺序并实做painter algorithm
Bonus可以实做deep learning的版本如PoseNet
第三次 使用opencv来做Visual Odometry
会给一部在校内小范围走一圈拍摄的影片
要在3D空间中把路径画出来
Bonus是实作opencv内的算法或其他提升performance的方法
考试：
都是手写题，可以带一张A4小抄
难度不高大多都是上课范围
少数计算题需有一点线代的sense就能很快解出
Final project：
自由发挥，跟3DCV有关即可，不一定要做DL相关
本学期课程共有14组，大家做的东西也都非常不同
不过多数同学都是做DL相关的
但报告时间只有8分钟
其实很难把做的东西在presentation时讲清楚
ω 其它(是否注重出席率？如果为外系选修，需先有什么基础较好吗？老师个性？
加签习惯？严禁迟到等…)
远距上课时会登记在线的同学，但不知有没有纳入分数的考量
课程prerequisite是Python、C++、linear algebra、
DL相关framework如PyTorch/Tensorflow后
这不是一堂DL的入门课
没有DL基础应该基本上难以听懂后续DL相关内容
建议要有有GUI的ubuntu，因为很多3D package需要GUI才能动
开学时有开放加签但应该是没签满
Ψ 总结
是一堂上过很多DL课或实做过很多DL project来发觉新世界的地方
也会发现很多传统的3DCV算法其实设计巧妙，可以应用在不同领域上
课程loading算是偏有点重
作业都没想像中好写，例如作业二的算法会出现一行
b1 = ((1-a-b)*x2 + (q*a-q)*x + 1 - a + b) * (((r3*(a2 + ab*(2 - r2) - a_2 +
b2 - 2*b + 1)) * x + (r3q*(2*(b-a2) + a_4 + ab*(r2 - 2) - 2) + pr2*(1 + a2 +
2*(ab-a-b) + r2*(b - b2) + b2))) * x2 + (r3*(q2*(1-2*a+a2) + r2*(b2-ab) - a_4
+ 2*(a2 - b2) + 2) + r*p2*(b2 + 2*(ab - b - a) + 1 + a2) + pr2*q*(a_4 + 2*(b
- ab - a2) - 2 - r2*b)) * x + 2*r3q*(a_2 - b - a2 + ab - 1) + pr2*(q2 - a_4 +
2*(a2 - b2) + r2*b + q2*(a2 - a_2) + 2) + p2*(p*(2*(ab - a - b) + a2 + b2 +
1) + 2*q*r*(b + a_2 - a2 - ab - 1)))
的东西
基本上会放弃了解这是什么
但仍需想办法implement出整个算法来