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?
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.
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-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.
Bereitstellung
Generieren Sie CUDA® MEX-Code für Netze wie PointPillars, SqueezeSegV2 und PointNet++, um Algorithmen zur Punktwolkensegmentierung oder Objekterfassung auf Grafikkarten bereitzustellen.
Verwendung von Deep Learning für LiDAR mit MATLAB
Produkte
Erfahren Sie mehr über die Produkte, die bei Deep Learning für LiDAR verwendet werden.
Kostenlose Testversion anfordern
30 Tage kostenlos ausprobieren.
Deep Learning Toolbox
Entwickeln, trainieren und analysieren Sie Deep-Learning-Netze.
Gemeinsames Programmieren
Lernen Sie mit einem Deep-Learning-Experten.
