Exponenta Banner
exponenta event banner

Обработка Lidar с использованием глубокого обучения

Расширение рабочих процессов глубокого обучения для обработки облака точек Lidar

Применение алгоритмов глубокого обучения для обработки данных облака точек Lidar с помощью Deep Learning Toolbox™ совместно с Lidar Toolbox™.

Приложения

Лидар ЛабелерМаркировка данных истинности земли в облаках лидарных точек

Функции

squeezesegv2LayersСоздание сети сегментации SqueezeSegV2 для организованного облака точек lidar

Характерные примеры

Lidar Point Cloud Semantic Segmentation Using PointSeg Deep Learning Network

Семантическая сегментация Lidar Point Cloud с использованием Deep Learning Network

Обучение сети семантической сегментации, основанной на 3-D организованных данных облака точек лидара.

Открыть сценарий в реальном времени
Lidar Point Cloud Semantic Segmentation Using SqueezeSegV2 Deep Learning Network

Семантическая сегментация Lidar Point Cloud с использованием SqueezeSegV2 сети глубокого обучения

Обучение SqueezeSegV2 сети семантической сегментации на основе данных 3-D организованных облаков точек лидара.

Открыть сценарий в реальном времени
Code Generation for Lidar Point Cloud Segmentation Network

Создание кода для сети сегментации облака точек Lidar

Создание кода CUDA ® MEX для сети глубокого обучения для лидарной семантической сегментации. В этом примере используется предварительно обученная сеть SqueezeSegV2 [1], которая может сегментировать организованные облака точек лидара, относящиеся к трем классам (фон, автомобиль и грузовик). Дополнительные сведения о процедуре обучения для сети см. в разделе Сегментация облака точек Lidar SqueezeSegV2 использованием сети глубокого обучения. Созданный код MEX принимает облако точек в качестве входных данных и выполняет прогнозирование облака точек с помощью объекта DAGNetwork для SqueezeSegV2 сети .

Открыть сценарий в реальном времени
Aerial Lidar Semantic Segmentation Using PointNet++ Deep Learning

Семантическая сегментация Aerial Lidar с использованием Deep Learning

Бортовые лазерные сканирующие системы обеспечивают быстрое и непосредственное получение точных координат 3D. Использование данных LiDAR расширяется в различных областях применения, таких как топографическое картирование, моделирование зданий и городов, измерение биомассы и борьба со стихийными бедствиями. Сегментация является важным процессом извлечения значимой информации для таких приложений, как моделирование 3D объектов и реконструкция поверхности.

Lidar 3-D Object Detection Using PointPillars Deep Learning

Обнаружение объектов Lidar 3-D с помощью Deep Learning

Обучить сеть, предназначенную для обнаружения объектов в облаках точек.

Открыть сценарий в реальном времени
Data Augmentations for Lidar Object Detection Using Deep Learning

Увеличение данных для обнаружения объектов Lidar с помощью глубокого обучения

Выполнение типичных методов увеличения объема данных, используемых в 3-D рабочих процессах обнаружения объектов с использованием данных lidar.

Automate Ground Truth Labeling For Vehicle Detection Using PointPillars

Автоматизируйте маркировку истинности земли для обнаружения транспортных средств с помощью StartStolps

Автоматизируйте обнаружение транспортных средств в облаке точек с помощью предварительно обученной сети обнаружения объектов в приложении Lidar Labeler. В этом примере используется интерфейс AutomationAlgorithm для автоматизации маркировки в приложении Lidar Labeler.

Code Generation For Lidar Object Detection Using PointPillars Deep Learning

Создание кода для обнаружения объектов Lidar с помощью Deep Learning

Создайте CUDA ® MEX для детектора объектов, содержащего пользовательские слои. Дополнительные сведения см. в разделе Пример определения объектов Lidar 3-D с помощью метода «Deep Learning» в Toolbox™ Lidar.

Документация по инструментам для глубокого обучения

Поддержка