Начало работы с облаками точек Используя глубокое обучение
Глубокое обучение может автоматически обработать облака точек для широкого спектра 3-D приложений обработки изображений. Облака точек обычно прибывают из 3-D сканеров, таких как устройства Kinect® или лидар. У них есть приложения в навигации робота и восприятии, оценке глубины, видении стерео, наблюдении, классификации сцен, и в продвинутых системах помощи водителю (ADAS).
В общем случае первые шаги для использования данных об облаке точек в рабочем процессе глубокого обучения:
Импортируйте данные об облаке точек. Используйте datastore, чтобы содержать большой объем данных.
Опционально увеличьте данные.
Закодируйте облако точек к подобному изображению формату, сопоставимому с рабочими процессами глубокого обучения MATLAB®-based.
Можно применить те же подходы глубокого обучения к классификации, обнаружению объектов и задачам семантической сегментации с помощью данных об облаке точек, как вы были бы с помощью регулярных данных изображения с координатной сеткой. Однако необходимо сначала закодировать неупорядоченный, нерегулярно структуру с координатной сеткой облака точек и данных о лидаре в регулярную форму с координатной сеткой. Для определенных задач, таких как семантическая сегментация, некоторые постобрабатывающие на выходе основанных на изображении сетей требуются для того, чтобы восстановить структуру облака точек.
Импортируйте данные об облаке точек
Для того, чтобы работать с данными об облаке точек в рабочих процессах глубокого обучения, во-первых, считайте необработанные данные. Рассмотрите использование datastore для работы с и представления наборов данных, которые являются слишком большими, чтобы уместиться в памяти одновременно. Поскольку глубокое обучение часто требует больших объемов данных, хранилища данных являются важной частью рабочего процесса глубокого обучения в MATLAB. Для получения дополнительной информации о хранилищах данных, смотрите Хранилища данных для Глубокого обучения (Deep Learning Toolbox).
Данные об Облаке точек Импорта Для примера Глубокого обучения импортируют большой набор данных облака точек, и затем конфигурируют и загружают datastore.
Увеличьте данные
Точность и успех модели глубокого обучения зависят от больших аннотируемых наборов данных. Используя увеличение, чтобы произвести большие наборы данных помогает уменьшать сверхподбор кривой. Сверхподбор кривой происходит, когда система классификации путает шум в данных для сигнала. Путем добавления дополнительного шума увеличение помогает модели сбалансировать точки данных и минимизировать ошибки. Увеличение может также добавить робастность в преобразования данных, которые не могут быть хорошо представлены в исходных обучающих данных, (например, вращение, отражение, переводы). И путем сокращения сверхподбора кривой, увеличение может часто приводить к лучшим результатам на этапе вывода, который делает предсказания на основе того, что глубокая нейронная сеть была обучена обнаружить.
Данные об Облаке точек Приращения Для примера Глубокого обучения устанавливают основной рандомизированный конвейер увеличения данных, который работает с данными об облаке точек.
Закодируйте данные об облаке точек к подобному Изображению формату
Чтобы использовать облака точек для обучения с основанными на MATLAB рабочими процессами глубокого обучения, данные должны быть закодированы в плотный, подобный изображению формат. Densification или voxelization являются процессом преобразования неправильной, формы нес координатной сеткой данных об облаке точек к плотной, подобной изображению форме.
Закодировать Данные об Облаке точек Для примера Глубокого обучения преобразовывают данные об облаке точек в плотную, структуру с координатной сеткой.
Обучите сеть классификации глубокого обучения с закодированными данными об облаке точек
Если вы закодировали данные об облаке точек в плотную форму, можно использовать данные для основанной на изображении классификации, обнаружения объектов или задачи семантической сегментации с помощью стандартных подходов глубокого обучения.
Обучать Сеть Классификации, чтобы Классифицировать Объект на 3-D пример Облака точек предварительно обрабатывает данные об облаке точек в кодирование voxelized и затем использует подобные изображению данные с простой 3-D сверточной нейронной сетью, чтобы выполнить предметную классификацию.
Смотрите также
bboxcrop | bboxresize | bboxwarp | pcbin | pcread
Связанные примеры
- Лоцируйте 3-D обнаружение объектов Используя глубокое обучение PointPillars (Lidar Toolbox)
- Классификация облаков точек Используя глубокое обучение PointNet (Deep Learning Toolbox)
- Лоцируйте Семантическую Сегментацию облака точек Используя нейронную сеть для глубокого обучения PointSeg (Deep Learning Toolbox)
Больше о
- Сегментация, обнаружение и маркировка (Lidar Toolbox)