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

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

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.

Сегмент и классифицирует ландшафт на воздушные данные о лидаре как земля, создание и растительность. Пример использует файл LAZ, полученный бортовой системой лидара, как введено. Во-первых, классифицируйте данные об облаке точек на файл LAZ в наземные и неназемные точки. Затем далее классифицируйте неназемные точки в создание и точки растительности на основе функций искривления и нормалей. Этот рисунок предоставляет обзор процесса.