Обработка лидара с использованием глубокого обучения

Расширение рабочих процессов глубокого обучения для обработки облака точек лидар

Примените алгоритмы глубокого обучения для обработки данных облака точек лидар с помощью Deep Learning Toolbox™ совместно с Lidar Toolbox™.

Приложения

Lidar LabelerМетка достоверных данных в лидар облаков точек

Функции

squeezesegv2LayersСоздайте SqueezeSegV2 сеть сегментации для организованного облака точек лидара

Рекомендуемые примеры

Lidar Point Cloud Semantic Segmentation Using PointSeg Deep Learning Network

Семантическая сегментация облака точек лидар с использованием нейронной сети для глубокого обучения PointSeg

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

Открыть Live Script
Lidar Point Cloud Semantic Segmentation Using SqueezeSegV2 Deep Learning Network

Семантическая сегментация облака точек Lidar SqueezeSegV2 используя нейронную сеть для глубокого обучения

Обучите SqueezeSegV2 сеть семантической сегментации на 3-D организованных данных облака точек лидара.

Открыть Live Script
Code Generation for Lidar Point Cloud Segmentation Network

Генерация кода для сети сегментации облака точек лидар

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 процедуре обучения для сети смотрите Сегментацию облака точек Лидара с использованием SqueezeSegV2 Нейронной сети для глубокого обучения. Сгенерированный код MEX принимает облако точек как вход и выполняет предсказание в облаке точек с помощью объекта DAGNetwork для SqueezeSegV2 сети .

Открыть Live Script
Aerial Lidar Semantic Segmentation Using PointNet++ Deep Learning

Семантическая сегментация Aerial Lidar с использованием глубокого обучения PointNet++

Бортовые лазерные сканирующие системы имеют возможности для быстрого и прямого получения точных координат 3D. Использование данных лИДАР увеличивается в различных приложениях, таких как топографическое отображение, создание и городов, измерение биомассы и управление стихийными бедствиями. Сегментация является важнейшим процессом в извлечении содержательной информации для таких приложений, как моделирование 3D объектов и реконструкция поверхности.

Lidar 3-D Object Detection Using PointPillars Deep Learning

3-D Lidar Обнаружения объектов с использованием глубокого обучения PointPillars

Обучите сеть PointPillars для обнаружения объектов в облаках точек.

Открыть Live Script
Data Augmentations for Lidar Object Detection Using Deep Learning

Увеличение количества данных для обнаружения объектов лидар с помощью глубокого обучения

Выполните типичные методы увеличения данных, используемые в 3-D рабочих процессов обнаружения объектов с помощью лидарных данных.

Automate Ground Truth Labeling For Vehicle Detection Using PointPillars

Автоматизация разметки достоверных данных для обнаружения транспортного средства с помощью PointPillars

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

Code Generation For Lidar Object Detection Using PointPillars Deep Learning

Генерация кода для обнаружения объектов лидар с использованием глубокого обучения PointPillars

Сгенерируйте CUDA ® MEX для детектора объектов PointPillars с пользовательскими слоями. Для получения дополнительной информации смотрите Лидар 3-D Обнаружение объектов Используя пример PointPillars Deep Learning из Lidar Toolbox™.

Документация по Deep Learning Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте