Exponenta Banner
exponenta event banner

Сегментация

Сегментация данных облака точек с использованием алгоритмов глубокого обучения и геометрических алгоритмов

Семантическая сегментация связывает каждую точку в облаке 3-D точек с меткой класса, например car, truck, ground, или vegetation. Лидар Toolbox™ предоставляет алгоритмы глубокого обучения для выполнения семантической сегментации данных облака точек. Для разработки семантических моделей сегментации используются конволюционные нейронные сети (CNN), которые используются (а), (SqueezeSegV2) и (а).

Можно сегментировать данные облака точек с помощью segmentGroundSMRF функция. Используется в рабочем процессе «Классификация местности для воздушных данных Лидара», который сегментирует грунт, растительность и здания в облаках воздушных точек.

Функции

развернуть все

segmentGroundSMRFЗаземление сегмента из лидарных данных по алгоритму SMRF
segmentLidarDataСегмент, организованный 3-D распределения данных по кластерам
segmentGroundFromLidarDataТочки основания сегмента из упорядоченных данных лидара
pcsegdistСегментация облака точек в кластеры на основе евклидова расстояния

Загрузка данных обучения

combineОбъединение данных из нескольких хранилищ данных
countEachLabelКоличество вхождений меток пикселов или полей
groundTruthДанные метки истинности земли
imageDatastoreХранилище данных для данных изображения
pixelLabelDatastoreХранилище данных для данных пиксельной метки

Увеличение и предварительная обработка данных обучения

transformПреобразовать хранилище данных

Проектирование сетей глубокого обучения

squeezesegv2LayersСоздание сети сегментации SqueezeSegV2 для организованного облака точек lidar
semanticsegСегментация семантического изображения с использованием глубокого обучения

Визуализация результатов

labeloverlayНаложение областей матрицы меток на 2-D изображение
pcshowПечать 3-D облако точек

Оценка результатов

evaluateSemanticSegmentationОценка набора данных семантической сегментации на основе истинной информации
segmentationConfusionMatrixМатрица путаницы многоклассной сегментации изображения на уровне пикселей

Темы

Начало работы с облаками точек с помощью глубокого обучения

Узнайте, как использовать облака точек для глубокого обучения.

Хранилища данных для глубокого обучения (набор инструментов для глубокого обучения)

Узнайте, как использовать хранилища данных в приложениях для глубокого обучения.

Список слоев глубокого обучения (панель инструментов глубокого обучения)

Откройте для себя все уровни глубокого обучения в MATLAB ®.

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.

Открыть сценарий в реальном времени
Terrain Classification for Aerial Lidar Data

Классификация местности для воздушных данных Лидара

Сегментация и классификация местности в воздушных лидарных данных как земли, здания и растительности. В примере в качестве входных данных используется файл LAZ, захваченный бортовой системой lidar. Сначала следует классифицировать данные облака точек в файле LAZ по точкам земли и без точек земли. Затем далее классифицируют негерметичные точки по объектам застройки и растительности на основе нормалей и особенностей кривизны. На этом рисунке представлен обзор процесса.

Открыть сценарий в реальном времени

Документация по панели инструментов Lidar

Поддержка