Skip to main content

Yazar: Ferhat Kurt

NVIDIA Deep Learning Institute Sertifikalı eğitmen.

Derin Öğrenmeye Giriş Eğitimi – İstanbul

Ferhat Kurt Yorum yapın

Çok kısa süre önce haberim olduğu için hemen paylaşmak istiyorum. Sayın Berkin Malkoç’un LinkedIn Türkiye Derin Öğrenme Grubu sayfasından yaptığı duyuru aşağıda yer almaktadır.

20. Türkiye’de İnternet Konferansı kapsamındaki bir günlük “Derin Öğrenmeye Giriş” eğitimimiz, 2 Aralık Çarşamba günü İstanbul Üniversitesi Beyazıt Yerleşkesi’nde gerçekleşecek.
Temel kavramlar ve uygulamalarıyla bir güne olabildiğince çok konuyu sığdırmaya çalıştık.
Miletos takımı olarak, bu yoğun ve keyifli olmasını umduğumuz programa katılmak isteyen herkesi bekleriz.

Eğitim içeriği:
http://inet-tr.org.tr/inetconf20/ozet/132.html

Konferansa ve eğitime (ücretsiz) kayıt için:
http://inet-tr.istanbul.edu.tr/?p=6441

Konferansın genel programı:
http://inet-tr.istanbul.edu.tr/wp-content/uploads/2015/11/inet15-ayrinti-v13.pdf

 

 

Makale: VoxNet: A 3D Convolutional Neural Network for Real-Time Object Recognition

Ferhat Kurt Yorum yapın

Robust  object  recognition  is  a  crucial  skill  for robots  operating  autonomously  in  real  world  environments. Range  sensors  such  as  LiDAR  and  RGBD  cameras  are  increasingly  found  in  modern  robotic  systems,  providing  a  rich source  of  3D  information  that  can  aid  in  this  task.  However, many current systems do not fully utilize this information and have  trouble  efficiently  dealing  with  large  amounts  of  point cloud  data.  In  this  paper,  we  propose VoxNet,  an  architecture to  tackle  this  problem  by  integrating  a  volumetric  Occupancy Grid representation with a supervised 3D Convolutional Neural Network  (3D  CNN).  We  evaluate  our  approach  on  publicly available  benchmarks  using  LiDAR,  RGBD,  and  CAD  data.
VoxNet achieves  accuracy  beyond  the  state  of  the  art  while labeling hundreds of instances per second.

Makale: 3D Convolutional Neural Networks for Landing Zone Detection from LiDAR

Ferhat Kurt Yorum yapın

We present a system for the detection of small and potentially obscured obstacles in vegetated terrain. The key novelty of this system is the coupling of a volumetric occupancy map with a 3D Convolutional Neural Network (CNN), which to the best of our knowledge has not been previously done. This architecture allows us to train an extremely efficient and highly accurate system for detection tasks from raw occupancy data. We apply this method to the problem of detecting safe landing zones for autonomous helicopters from LiDAR point clouds. Current methods for this problem rely on heuristic rules and use simple geometric features. These heuristics break down in the presence of low vegetation, as they do not distinguish between vegetation that may be landed on and solid objects that should be avoided. We evaluate the system with a combination of real and synthetic range data. We show our system outperforms various benchmarks, including a system integrating various hand-crafted point cloud features from the literature.