Exponenta Banner
exponenta event banner

Маркировка, сегментация и обнаружение

Создание меток, сегментов, обнаружение и отслеживание объектов в данных облака точек с помощью алгоритмов глубокого обучения и геометрических алгоритмов

Лидар Toolbox™ включает в себя геометрические и предварительно обученные алгоритмы глубокого обучения для сегментации данных облака точек, а также обнаружения и отслеживания интересующих объектов. Вы можете применять алгоритмы глубокого обучения в приложениях расширенных систем помощи водителю (ADAS) для сегментации и обнаружения транспортных средств. Вы можете использовать приложение Lidar Labeler для подготовки помеченных обучающих данных для алгоритмов глубокого обучения.

Выделенные темы
  • Маркировка
    Интерактивная маркировка истинности земли в облаках точек лидара
  • Сегментация
    Сегментация данных облака точек с использованием алгоритмов глубокого обучения и геометрических алгоритмов
  • Обнаружение и отслеживание
    Обнаружение объектов, подгонка фигур и отслеживание в данных облака точек lidar

Характерные примеры

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
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
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
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.

Открыть сценарий в реальном времени
Lane Detection in 3-D Lidar Point Cloud

Обнаружение переулка в 3D облаке пункта лидара

Обнаруживайте полосы движения в облаках точек. Для обнаружения полос движения транспортных средств ego можно использовать значения интенсивности, возвращаемые облаками точек lidar. Можно дополнительно улучшить обнаружение полосы движения с помощью алгоритма подгонки кривой и отслеживания параметров кривой. Обнаружение полосы движения Lidar позволяет создавать сложные рабочие процессы, такие как поддержка по поддержанию полосы движения, предупреждение о выходе из полосы движения и адаптивный круиз-контроль для автономного вождения. Испытываемое транспортное средство собирает данные лидара с помощью датчика лидара, установленного на его крыше.

Открыть сценарий в реальном времени
Detect, Classify, and Track Vehicles Using Lidar

Обнаружение, классификация и отслеживание транспортных средств с помощью Lidar

Обнаружение, классификация и отслеживание транспортных средств с помощью данных облака точек лидара, полученных с помощью датчика лидара, установленного на эго-транспортном средстве. Лидарные данные, используемые в этом примере, записываются из сценария вождения шоссе. В этом примере данные облака точек сегментируются, чтобы определить класс объектов с помощью сети StartSeg. Для отслеживания обнаруженных транспортных средств используется трекер совместной вероятностной ассоциации данных (JPDA) с интерактивным множественным модельным фильтром.

Открыть сценарий в реальном времени

Документация по панели инструментов Lidar

Поддержка