Local blog for Italian speaking developers
Presentazione di TensorFlow Graphics: la computer grafica incontra il deep learning
3 giugno 2019
Pubblicato da
Julien Valentin
e
Sofien Bouaziz
Repository Github:
https://github.com/tensorflow/graphics
Negli ultimi anni abbiamo riscontrato un aumento di nuovi livelli di grafica differenziabile che possono essere inseriti nell'architettura delle reti neurali. Dai trasformatori spaziali ai renderer di grafica differenziabile, questi nuovi livelli sfruttano le conoscenze acquisite negli anni con le ricerche su computer vision e grafica per creare architetture di rete nuove e più efficienti. La modellazione esplicita di prior e vincoli geometrici nelle reti neurali apre la strada ad architetture che possono essere addestrate in modo solido, efficiente e, soprattutto, auto-supervisionato.
In linea generale, una pipeline di computer grafica richiede oggetti 3D e il loro posizionamento assoluto nella scena, una descrizione del materiale di cui sono composti, luci e una videocamera. Questa descrizione della scena viene quindi interpretata da un renderer per generare un rendering sintetico.
Invece, un sistema di computer vision partirà da un'immagine e cercherà di dedurre i parametri della scena. Ciò consente di prevedere quali oggetti si trovano nella scena, di quali materiali sono composti, la posizione e l'orientamento tridimensionali.
Addestrare sistemi di machine learning in grado di risolvere questi complessi compiti di visione 3D richiede molto spesso grandi quantità di dati. Poiché etichettare i dati è un processo costoso e complesso, è importante disporre di meccanismi per progettare modelli di machine learning in grado di comprendere il mondo tridimensionale mentre vengono addestrati senza molta supervisione. La combinazione di tecniche di computer vision e computer grafica offre un'opportunità unica per sfruttare la grande quantità di dati non etichettati prontamente disponibili. Come illustrato nell'immagine qui sotto, questo può ad esempio essere ottenuto utilizzando l'analisi per sintesi, in cui il sistema di visione estrae i parametri della scena e il sistema grafico restituisce un'immagine basata su di essi. Se il rendering corrisponde all'immagine originale, il sistema di visione ha accuratamente estratto i parametri della scena. In questa configurazione, computer vision e computer grafica vanno di pari passo, formando un unico sistema di machine learning simile a un autoencoder, che può essere addestrato in modo auto-supervisionato.
Livelli di grafica differenziabile
Di seguito, esploreremo alcune delle funzionalità disponibili in TensorFlow Graphics. Questa descrizione non è esaustiva; per maggiori informazioni visita il nostro
Github
per scoprire le nuove possibilità messe a disposizione da TensorFlow Graphics.
Trasformazioni
Le trasformazioni degli oggetti controllano la posizione degli oggetti nello spazio. Nell'illustrazione sotto il formalismo asse-angolo viene utilizzato per ruotare un cubo. L'asse di rotazione è rivolto verso l'alto e l'angolo è positivo, determinando la rotazione del cubo in senso antiorario. In questo
esempio Colab
, mostriamo come i formalismi di rotazione possono essere addestrati in una rete neurale in grado di prevedere sia la rotazione che la traslazione di un oggetto osservato. Questa attività è al centro di molte applicazioni, inclusi i robot che si concentrano sull'interazione con l'ambiente in cui si trovano. In questi scenari, afferrare oggetti (ad esempio dall'impugnatura) con un braccio robotico richiede una stima precisa della posizione di questi oggetti rispetto al braccio.
Modellazione delle videocamere
I modelli delle videocamere svolgono un ruolo fondamentale nella computer vision poiché influenzano notevolmente l'aspetto degli oggetti tridimensionali proiettati sul piano dell'immagine. Come puoi vedere di seguito, il cubo sembra ingrandirsi e rimpicciolirsi, mentre in realtà le modifiche sono dovute solo a variazioni della lunghezza focale. Prova questo
esempio Colab
per ulteriori dettagli sui modelli della videocamera e un esempio concreto di come utilizzarli in TensorFlow.
Materiali
I modelli dei materiali definiscono come la luce interagisce con gli oggetti per conferire loro un aspetto unico. Ad esempio, alcuni materiali come l'intonaco riflettono la luce in modo uniforme in tutte le direzioni, mentre altri come gli specchi sono puramente speculari. In questo
notebook Colab
interattivo imparerai come generare i seguenti rendering utilizzando Tensorflow Graphics. Avrai anche l'opportunità di provare i parametri del materiale e della luce per comprendere bene come interagiscono. La previsione accurata delle proprietà dei materiali è fondamentale per molte attività. Ad esempio, può consentire agli utenti di collocare mobili virtuali nel loro ambiente e fare in modo che gli elementi si fondano in modo realistico con il resto dell'arredamento, dando loro una percezione accurata di come apparirà quel mobile nella realtà.
Geometria: convoluzioni e pooling 3D
Negli ultimi anni, i sensori che emettono dati tridimensionali sotto forma di nuvole o mesh di punti stanno diventando sempre più parte della vita quotidiana, dai sensori di profondità degli smartphone a quelli presenti sulle auto a guida autonoma. A causa della loro struttura irregolare, le convoluzioni su queste rappresentazioni sono notevolmente più difficili da implementare rispetto alle immagini che offrono una struttura a griglia regolare. TensorFlow Graphics presenta due livelli di convoluzione 3D e un livello di pooling 3D, consentendo ad esempio l'addestramento delle reti per eseguire la classificazione delle parti semantiche su mesh, come viene illustrato di seguito e dimostrato in questo
notebook Colab
.
TensorBoard 3D
Il debug visivo è un ottimo modo per valutare se un esperimento sta andando nella direzione desiderata. A tal fine, TensorFlow Graphics offre un plug-in TensorBoard per visualizzare in modo interattivo mesh e nuvole di punti 3D.
Come iniziare
La prima versione di TensorFlow Graphics è compatibile con TensorFlow 1.13.1 e versioni successive. Troverai l'API e le istruzioni per installare la libreria visitando il sito
https://www.tensorflow.org/graphics
.
Ringraziamenti
TensorFlow Graphics è stato realizzato grazie a un lavoro di squadra. Un ringraziamento speciale a Cem Keskin,
Pavel Pidlypenskyi
,
Ameesh Makadia
e
Avneesh Sud
, per il loro contributo fondamentale.
Etichette
Android
Firebase
machine learning
Google Cloud Platform
GDL
Eventi
Google Developers Live
Google Play
TensorFlow
App
Chrome
Cloud
api
GDLItalia
GDE
GDG
Google Assistant
iOS
Kotlin
Actions on Google
Deep Learning
AppEngine
AMP
BigQuery
Cloud Functions
Flutter
Android Studio
Google Developers Expert
Università
Google AppEngine
JavaScript
AI
Android Wear
GAE
Google Play Store
HTML5
Maps
security
Android App Development
AngularJS
IoT
Kubernetes
Annunci
Cloud Firestore
Cloud Machine Learning
Google I/O
Polymer
Android Things
Community
DevTools
Google App Engine
intelligenza artificiale
Entrepreneurship
Firebase Analytics
GSoC
Games
Google Cast
ML
open source
Crashlytics
Dart
Diversity
Drive
Google Data Studio
Google Play Games
TensorFlow Lite
Android Developers
Android O
Cloud Spanner
Cloud TPU
Compute Engine
DevFest
Google Compute Engine
Google Developers
Material Design
Mobile
PWA
Python
Startup
AIY Project
ARCore
Android Jetpack
AndroidDev
Androidq
Apps Script
Artificial Intelligence
Augmented Reality
Firebase Cloud Messaging
Google Cloud
Google Maps
Gsuite
IO19
ML kit
Research
VR
coding
unity
#io19
AR
Android Dev Summit
Android Developer
Android Q
Cardboard
Cloud AI
Coral
Developers
Dialogflow
Firebase Realtime Database
Gmail
Google AI
Google Cloud Messaging
Google ContainerEngine
Google Play Console
Kotlin Coroutines
NLP
Programming
Responsive Design
TensorFlowjs
Testing
WTM
Women
beacons
cloud storage
developer
node JS
student programs
women techmakers
API Cloud Vision
Add-ons
Android P
AndroidDevStory
Animation
AutoML
Brillo
Classroom
DSC
Database
Developer Student Clubs
Edge TPU
Fabric
Featured
Flutter Web
G Suite
GWT
GoLang
Google
Google Brain
Google Cloud Next
Google Container Engine
Google Developer Groups
Google I/O Extended
Graph
Hosting
Instant Apps
Keras
Livedata
Mobile Sites
Prediction
Privacy
Project Tango
SDK
Stackdriver
Tales
UI
Udacity
Virtual Reality
Web
Web Development
YouTube
analytics
android security
api.ai
courses
google io
indies
natural language processing
reti neurali
sign-in
young developers
2d Animation
3d
AIY
ARkit
Adversarial Learning
Alpha
Android App
Android App Developmen
Android App bundle
Android Architecture
Android Architecture Components
Android Auto
Android Automotive OS
Android Dev Summit Android Developer
Android Developer Challenge
Android Developers GooglePlayAwards
Android Development
Android Go
Android Instant App
Android Pie
Android Q Scoped Storage
Android Q audio
Android Styles
Android audio playback capture
Android codelabs
AndroidTV
AndroidX
Angular
Aogdevs
Api Design
App Development
App Distribution
Apps
Architecture
Architecture Components
Arduino
Best Practices
Betatesting
Bugs
C++
Certification
Cloud Anchors
Cloud Next
Cloud Run
Cloud Service Platform
Cloud Shell
Cloud Study Jam
Coached Conversational Preference Elicitation
Commerce
Community Connector
Computer Science
Consistency
Containers
Converge
Conversation Design
Crash Reporting
DLS Design
Dagger
Data Science
Databases
Dependency Injection
Design
Developer Communities
Developer Community
Developer Culture
Developer Story
Developing Media Apps
Development
Eager
Edge TPU Dev Board
Education
Emulatore Android
Error Message
Eslint
Europe
Firebase Extensions
Firebase Summit 2019
Firebasehosting
Flutter 1.5
Flutter at IO
FlutterDark
GCE
GDD
Game Development
Gboard
Gesture Navigation
Glass
Go
Google AI Quantum
Google App Script
Google Cloud Functions
Google Cloud billing
Google Coral
Google Developer Days
Google Home Hub
Google IOS Android
Google Identity Platform
Google Launchpad
Google Lens
Google Now
Google Photos
Google Play Devs
Google Play Indie Games Festival
Google Play Instant
Google Plus
Google codelabs
Google+
GoogleDevWeekly
GoogleLaunchpad
GooglePlay
Graphics
Healthcare
I/O
IO
IO19 Flutter
In-app Billing
Indie Games
Indie Games Festival
Indie games showcase
Indie showcase
Ingress
Instant Games
Issues
Java
Jetpack
Knative
Kotlin Beginners
Kotlin Everywhere
Kotlin codelabs
Lighthouse
Live Caption
Live Streaming
Localization
Location
M-Theory
Mondaygram
Monetization
NYT
NativeScript
Navigation
Neural Graph Learning
Neural Structured
Nodejs
OS
OS Updates
Olivex
One Time Codes
Online Education
PHA
Performance Monitoring
Policy
Posenet
Project Mainline
Project Treble
Quantum Computing Theory
Reactive Programming
Regression
Remote Config
Resonance Audio
Room
Scoped Storage
Semantics
Semi Supervised Learning
Serverless
Sms Retriever Api
Sms Verification
Speech Recognition
Swift
Tensorflow Core
Tensorflow Hub
Test Lab
Text
Tokenizer
Tpu
Transformers
UX
UX Design
UX Research
Universal Sentence Encoder
Unsupervised Data Augmentation
Unsupervised Learning
User Experience
Viewmodel
Voice
WWW
Wear OS
WebAssembly
Widget
Women in Tech
WomenTechmakers
android kotlin
app stability
assistant
audio recording
augmented faces
authsub
best practices and updates
billing
botnet
business
c++ games
cancer
chatbot
chrome privacy
codelab
codelabs
competition
daydream
designer
dominio .dev
error handling
event
firebase games
firebase gdc
firebase hosting
firebase unity
game center authentication
game testing
games authentication
gdc
google summer of code
googledevelopers
grow
hashcode
indie
indie developers
internship
kids
machine intelligence
machine learning accelerator
maker
multi-platform
nearby
oauth
openid
performance
persistent AR
privacy sandbox
prizes
prototype
purchase flows
queries
realtime
responsible AI
security rules
showcase
solutions challenge
startup africa roadtrip
startup times
students
summer of code
unity crashlytics
verify apps
win
Archivio Blog
2020
feb
gen
2019
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2018
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2017
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2016
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2015
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2014
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2013
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
Feed
Follow @GoogleDevsItaly