Лоцируйте обработку Используя глубокое обучение

Расширьте рабочие процессы глубокого обучения для обработки облака точек Лидара

Примените алгоритмы глубокого обучения, чтобы обработать данные об облаке точек Лидара при помощи Deep Learning Toolbox™ вместе с Lidar Toolbox™.

Приложения

Lidar LabelerПометьте достоверные данные в облаках точек лидара

Функции

squeezesegv2LayersСоздайте сеть сегментации SqueezeSegV2 для организованного облака точек лидара

Рекомендуемые примеры

Lidar Point Cloud Semantic Segmentation Using PointSeg Deep Learning Network

Лоцируйте Семантическую Сегментацию облака точек Используя нейронную сеть для глубокого обучения PointSeg

Обучите сеть семантической сегментации PointSeg на 3-D организованных данных об облаке точек лидара.

Скрипт Open Live Script
Lidar Point Cloud Semantic Segmentation Using SqueezeSegV2 Deep Learning Network

Лоцируйте Семантическую Сегментацию облака точек Используя нейронную сеть для глубокого обучения SqueezeSegV2

Обучите сеть семантической сегментации SqueezeSegV2 на 3-D организованных данных об облаке точек лидара.

Скрипт Open Live Script
Code Generation for Lidar Point Cloud Segmentation Network

Генерация кода для сети сегментации облака точек лидара

Сгенерируйте код CUDA® MEX для нейронной сети для глубокого обучения для семантической сегментации лидара. Этот пример использует предварительно обученную сеть SqueezeSegV2 [1], которая может сегментировать организованные облака точек лидара, принадлежащие трем классам (фон, автомобиль и грузовик). Для получения информации о методе обучения для сети смотрите, что Сегментация Облака точек Лидара Использует Нейронную сеть для глубокого обучения SqueezeSegV2. Сгенерированный код MEX берет облако точек в качестве входа и выполняет предсказание на облаке точек при помощи объекта DAGNetwork для сети SqueezeSegV2.

Скрипт Open Live Script
Aerial Lidar Semantic Segmentation Using PointNet++ Deep Learning

Воздушная Семантическая Сегментация лидара Используя PointNet ++ глубокое обучение

Бортовые лазерные системы сканирования имеют способность к быстрому и прямому приобретению точных 3D координат. Использование данных LiDAR увеличивается в различных приложениях, таких как топографическое отображение, создание и городское моделирование, измерение биомассы и борьба со стихийными бедствиями. Сегментация является решающим процессом на экстракции значимой информации для приложений, таких как 3D объектное моделирование и поверхностная реконструкция.

Lidar 3-D Object Detection Using PointPillars Deep Learning

Лоцируйте 3-D обнаружение объектов Используя глубокое обучение PointPillars

Обучите сеть PointPillars для обнаружения объектов в облаках точек.

Скрипт Open Live Script
Data Augmentations for Lidar Object Detection Using Deep Learning

Увеличения данных для обнаружения объектов лидара Используя глубокое обучение

Выполните типичные методы увеличения данных, используемые в 3-D рабочих процессах обнаружения объектов с данными о лидаре.

Automate Ground Truth Labeling For Vehicle Detection Using PointPillars

Автоматизируйте разметку достоверных данных для обнаружения транспортного средства Используя PointPillars

Автоматизируйте обнаружения транспортного средства в облаке точек с помощью предварительно обученной сети обнаружения объектов PointPillars в приложении Lidar Labeler. В этом примере вы используете интерфейс AutomationAlgorithm, чтобы автоматизировать маркировку в приложении Lidar Labeler.

Code Generation For Lidar Object Detection Using PointPillars Deep Learning

Генерация кода для обнаружения объектов лидара Используя глубокое обучение PointPillars

Сгенерируйте CUDA® MEX для детектора объектов PointPillars с пользовательскими слоями. Для получения дополнительной информации смотрите Лидар 3-D Обнаружение объектов Используя пример Глубокого обучения PointPillars от Lidar Toolbox™.

Документация Deep Learning Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте