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

Обучите PointNet ++ нейронная сеть для глубокого обучения выполнять семантическую сегментацию на воздушных данных о лидаре.

Сегмент и классифицирует ландшафт на воздушные данные о лидаре как земля, создание и растительность. Пример использует файл LAZ, полученный бортовой системой лидара, как введено. Во-первых, классифицируйте данные об облаке точек на файл LAZ в наземные и неназемные точки. Затем далее классифицируйте неназемные точки в создание и точки растительности на основе функций искривления и нормалей. Этот рисунок предоставляет обзор процесса.

Обучите сеть PointPillars для обнаружения объектов в облаках точек.

Автоматизируйте обнаружения транспортного средства в облаке точек с помощью предварительно обученной сети обнаружения объектов PointPillars в приложении Lidar Labeler. В этом примере вы используете интерфейс AutomationAlgorithm, чтобы автоматизировать маркировку в приложении Lidar Labeler.

Обнаружьте маршруты в облаках точек лидара. Можно использовать значения интенсивности, возвращенные от облаков точек лидара, чтобы обнаружить маршруты автомобиля, оборудованного датчиком. Можно далее улучшить обнаружение маршрута при помощи алгоритма подбора кривой и отслеживание параметров кривой. Обнаружение маршрута лидара включает, вы, чтобы создать комплексные рабочие процессы как маршрут сохраняете, помогают, предупреждение о сходе с полосы и адаптивный круиз-контроль для автономного управления автомобилем. Тестовое транспортное средство собирает данные о лидаре с помощью датчика лидара, смонтированного на его крыше.

Извлеките лесные метрики и отдельные древовидные атрибуты из воздушных данных о лидаре.