Entwickeln und implementieren Sie KI-Systeme, die Informationen aus Punktwolken gewinnen. Trainieren, testen und implementieren Sie Deep-Learning-Netze in Punktwolken zur Objekterkennung und semantischen Segmentierung.
Mit MATLAB und Simulink können Sie:
- Punktwolken zur Anwendung von Deep-Learning-Algorithmen vorverarbeiten
- Punktwolken zur Objekterkennung mit der Lidar Labeler-App kennzeichnen
- Große Datenmengen zu Trainings-, Test- und Validierungszwecken mit Datastores verarbeiten
- C/C++ und CUDA-Codes für Deep-Learning-Workflows zur semantischen Segmentierung und Objekterkennung in Punktwolkendaten generieren
Die Vorteile von Deep Learning für Punktwolken
Semantische Segmentierung von Punktwolken
Mit Deep-Learning-Algorithmen lassen sich Punktwolken segmentieren. Trainieren, testen und evaluieren Sie Netzwerke zur semantischen Segmentierung, darunter RandLA-Net, Segment Anything Model (SAM), PointSeg, SqueezeSegV2 und PointNet++, anhand von Punktwolkendaten.
Objekterkennung an Punktwolken
Erkennen Sie Objekte in Punktwolken und legen Sie ausgerichtete Begrenzungsrahmen um sie herum. Verwenden Sie diese zum Objekt-Tracking oder für LiDAR-Labeling-Workflows. Entwerfen, trainieren und werten Sie robuste Detektoren wie z.B. PointPillars- und Voxel R-CNN-Netze aus.
Kennzeichnen von Punktwolken mit Multi Sensor Labeler
Kennzeichnen Sie Punktwolken für das Training von Deep-Learning-Modellen. In der Multi Sensor Labeler-App automatisieren Sie das Kennzeichnen von Punktwolken durch integrierte oder selbst geschriebene Algorithmen und bewerten die Leistung der Automatisierungs-Algorithmen.
Bereitstellung
Generieren Sie CUDA® MEX-Code für Netze wie PointPillars, SqueezeSegV2 und PointNet++, um Algorithmen zur Punktwolkensegmentierung oder Objekterkennung auf Grafikkarten bereitzustellen.
Deep Learning für Punktwolken mit MATLAB
Produkte
Erfahren Sie mehr über die Produkte, die bei Deep Learning für Punktwolken verwendet werden.
