Trainieren, testen und implementieren Sie Deep-Learning-Netze in LiDAR-Punktwolken zur Objekterfassung und semantischen Segmentierung.
Mit MATLAB und Simulink können Sie Folgendes tun:
- LiDAR-Punktwolken zur Anwendung von Deep-Learning-Algorithmen vorverarbeiten
- LiDAR-Punktwolken zur Objekterfassung 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 Objekterfassung in Punktwolkendaten generieren
Warum Deep Learning für LiDAR?
![Semantische Segmentierung von Luftbild-LiDAR-Daten Luftgestützte LiDAR-Punktwolken werden gemäß Objekten wie Gebäude, Vegetation, Fahrzeuge und mehr segmentiert.](https://ch.mathworks.com/de/solutions/deep-learning/deep-learning-lidar/_jcr_content/mainParsys/band_copy/mainParsys/columns_copy/507537ca-afa8-41c5-806f-bbdd06667040/image_copy_copy.adapt.full.medium.gif/1733472791960.gif)
LiDAR – Semantische Segmentierung
Mit Deep-Learning-Algorithmen lassen sich LiDAR-Punktwolken segmentieren. Trainieren, testen und bewerten Sie dazu Netzwerke für die semantische Segmentierung wie PointNet++, PointSeg und SqueezeSegV2 an Lidar-Daten.
![Objekterfassung für eine autonome Fahranwendung Erkennen Sie Pkw und Lkw in Punktwolkendaten und passen Sie ausgerichtete Begrenzungsrahmen um sie herum.](https://ch.mathworks.com/de/solutions/deep-learning/deep-learning-lidar/_jcr_content/mainParsys/band_copy/mainParsys/columns_copy/b827a46e-7d00-424f-81d8-b611fc9edab9/image_copy.adapt.full.medium.gif/1733472791998.gif)
Objekterkennung an LiDAR-Punktwolken
Erkennen Sie Objekte in LiDAR-Punktwolken und und passen Sie ausgerichtete Begrenzungsboxen um sie herum. Verwenden Sie diese zur Objektverfolgung oder für LiDAR-Labeling-Workflows. Entwerfen, Trainieren und Auswerten fehlerresistenter Detektoren wie z.B. PointPillars-Netze.
![Lidar Labeler App Lidar Labeler-App.](https://ch.mathworks.com/de/solutions/deep-learning/deep-learning-lidar/_jcr_content/mainParsys/band_copy/mainParsys/columns_copy_copy/507537ca-afa8-41c5-806f-bbdd06667040/image_copy_copy.adapt.full.medium.gif/1733472792087.gif)
LiDAR-Labeling
Kennzeichnen Sie LiDAR-Punktwolken zum Trainieren von Deep-Learning-Modellen. In der Lidar Labeler-App automatisieren Sie das Labeling von LiDAR-Punktwolken durch integrierte oder selbst geschriebene Algorithmen und bewerten die Leistung der Automatisierungs-Algorithmen.
![GPU-Codegenerierung für SqueezeSegV2-Netz Segmentierte Punktwolke mit Pkw und Hintergrund.](https://ch.mathworks.com/de/solutions/deep-learning/deep-learning-lidar/_jcr_content/mainParsys/band_copy/mainParsys/columns_copy_copy/b827a46e-7d00-424f-81d8-b611fc9edab9/image_copy_copy_copy.adapt.full.medium.gif/1733472792124.gif)
Bereitstellung
Generieren Sie CUDA® MEX-Code für Netze wie PointPillars, SqueezeSegV2 und PointNet++, um Algorithmen zur Punktwolkensegmentierung oder Objekterfassung auf Grafikkarten bereitzustellen.