Sviluppa e distribuisci sistemi di IA che ricavano informazioni dalle nuvole di punti. Addestra, testa e distribuisci reti di Deep Learning su nuvole di punti per il rilevamento di oggetti e la segmentazione semantica.
Con MATLAB e Simulink, è possibile:
- Pre-elaborare nuvole di punti per applicare algoritmi di Deep Learning
- Utilizzare l’app Lidar Labeler per etichettare le nuvole di punti per il rilevamento di oggetti
- Gestire grandi quantità di dati per addestrarli, testarli e validarli con i datastore
- Generare codice C/C++ e CUDA per workflow di Deep Learning per la segmentazione semantica e il rilevamento oggetti su dati di nuvole di punti
Perché usare il Deep Learning per le nuvole di punti?
Segmentazione semantica di nuvole di punti
Applica algoritmi di Deep Learning per segmentare nuvole di punti. Addestra, testa e valuta reti di segmentazione semantica, tra cui RandLA-Net, Segment Anything Model (SAM), PointSeg, SqueezeSegV2 e PointNet++, utilizzando dati di nuvole di punti.
Rilevamento di oggetti su nuvole di punti
Rileva e adatta i riquadri di delimitazione orientati attorno agli oggetti nelle nuvole di punti e usali per il tracking di oggetti o i workflow di etichettatura LiDAR. Progetta, addestra e valuta rilevatori robusti come le reti PointPillars e Voxel R-CNN.
Etichettatura di nuvole di punti con Multi Sensor Labeler
Etichetta nuvole di punti per l’addestramento di modelli di Deep Learning. Applica algoritmi integrati o personalizzati per automatizzare l’etichettatura di nuvole di punti con l’app Multi Sensor Labeler, poi valuta le prestazioni dell’algoritmo di automazione.
Distribuzione
Genera codice CUDA® MEX per reti quali PointPillars, SqueezeSegV2 e PointNet++ per distribuire algoritmi di segmentazione di nuvole di punti o di rilevamento oggetti su GPU.
Deep Learning per l’elaborazione delle nuvole di punti con MATLAB
Prodotti
Scopri i prodotti utilizzati con il Deep Learning per applicazioni con nuvole di punti.
