Entrene, pruebe y despliegue redes de Deep Learning con nubes de puntos de LiDAR para detección de objetos y segmentación semántica.
Con MATLAB y Simulink, puede:
- Preprocesar nubes de puntos de LiDAR para aplicar algoritmos de Deep Learning
- Utilizar la app Lidar Labeler para etiquetar nubes de puntos de LiDAR para detección de objetos
- Gestionar grandes cantidades de datos para entrenamiento, pruebas y validación con almacenes de datos
- Generar código C/C++ y CUDA para flujos de trabajo de Deep Learning para segmentación semántica y detección de objetos en datos de nube de puntos
¿Por qué utilizar Deep Learning para LiDAR?
Segmentación semántica de datos de LiDAR
Aplique algoritmos de Deep Learning para segmentar nubes de puntos de LiDAR. Entrene, pruebe y evalúe redes de segmentación semántica, como PointNet++, PointSeg y SqueezeSegV2, con datos de LiDAR.
Detección de objetos en nubes de puntos de LiDAR
Detecte y ajuste cuadros delimitadores orientados alrededor de objetos en nubes de puntos de LiDAR y utilícelos en el seguimiento de objetos o en flujos de trabajo de etiquetado de LiDAR. Diseñe, entrene y evalúe detectores robustos, tales como redes PointPillars.
Etiquetado de datos de LiDAR
Etiquete nubes de puntos de LiDAR para entrenar modelos de Deep Learning. Aplique algoritmos integrados o personalizados para automatizar el etiquetado de nubes de puntos de LiDAR con la app Lidar Labeler y evalúe el rendimiento de los algoritmos de automatización.
Despliegue
Genere código MEX de CUDA® para redes tales como PointPillars, SqueezeSegV2 y PointNet++ para desplegar algoritmos de segmentación de nubes de puntos o detección de objetos en GPU.
Uso de Deep Learning para LiDAR con MATLAB
Productos
Obtenga más información sobre los productos utilizados con Deep Learning para aplicaciones de LiDAR.
Obtenga una versión de prueba gratuita
30 días de exploración a su alcance.
Deep Learning Toolbox
Diseñe, entrene y analice redes de Deep Learning.
Tutoriales paso a paso
Aprenda de personal experto en Deep Learning.
