Exponenta Banner

Сегментация

Сегментируйте данные облака точек с помощью глубокого обучения и геометрических алгоритмов

Семантическая сегментация связывает каждую точку в 3-D облаке точек с меткой класса, такой как car, truck, ground, или vegetation. Lidar Toolbox™ предоставляет алгоритмы глубокого обучения для выполнения семантической сегментации на данных облака точек. Используйте PointSeg, SqueezeSegV2 и сверточные нейронные сети (CNN) для разработки семантических моделей сегментации.

Можно сегментировать заземление в данных облака точек с помощью segmentGroundSMRF функция. Он используется в рабочем процессе «Классификация местности для воздушных данных лидара», который сегментирует землю, растительность и создания в облаках воздушных точек.

Функции

расширить все

segmentGroundSMRFСегмент земли из данных лидара с помощью алгоритма SMRF
segmentLidarDataСегмент, организованная 3 -D область значений данных в кластеры
segmentGroundFromLidarDataСегментируйте наземные точки от подготовленных лидарных данных
pcsegdistСегментируйте облако точек в кластеры на основе евклидова расстояния

Загрузка обучающих данных

combineОбъедините данные из нескольких хранилищ данных
countEachLabelКоличество вхождений меток пикселей или коробок
groundTruthОсновные истины
imageDatastoreDatastore для данных изображений
pixelLabelDatastoreDatastore для данных о пиксельных метках

Увеличение и предварительная обработка обучающих данных

transformПреобразуйте datastore

Проектирование Нейронных сетей для глубокого обучения

squeezesegv2LayersСоздайте SqueezeSegV2 сеть сегментации для организованного облака точек лидара
semanticsegСемантическая сегментация изображений с помощью глубокого обучения

Визуализация результатов

labeloverlayМетка наложения матрицы области на 2-D изображении
pcshowПостройте график 3-D облаке точек

Оценка результатов

evaluateSemanticSegmentationОцените набор данных семантической сегментации относительно основной истины
segmentationConfusionMatrixМатрица неточностей сегментации изображений на уровне пикселей мультиклассов

Темы

Начало работы с облаками точек с помощью глубокого обучения

Осмыслите, как использовать облака точек для глубокого обучения.

Datastores для глубокого обучения (Deep Learning Toolbox)

Узнайте, как использовать хранилища данных в применениях глубокого обучения.

Список слоев глубокого обучения (Deep Learning Toolbox)

Узнайте все слои глубокого обучения в MATLAB®.

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.

Открыть Live Script
Terrain Classification for Aerial Lidar Data

Классификация местности по воздушным данным лидара

Сегментируйте и классифицируйте рельеф местности по данным воздушного лидара как землю, создание и растительность. В качестве входных данных в примере используется файл LAZ, захваченный воздушной системой лидара. Во-первых, классифицируйте данные облака точек в файле LAZ на наземные и неземные точки. Затем, далее классифицируйте неземные точки на создания и растительности, основанные на нормалях и функциях кривизны. Этот рисунок содержит обзор процесса.

Открыть Live Script

Документация по Lidar Toolbox

Поддержка