Desarrolle y despliegue sistemas de IA que obtienen información a partir de nubes de puntos. Entrene, pruebe y despliegue redes de Deep Learning en nubes de puntos para detección de objetos y segmentación semántica.
Con MATLAB y Simulink, puede:
- Preprocesar nubes de puntos para aplicar algoritmos de Deep Learning
- Utilizar la app Lidar Labeler para etiquetar nubes de puntos 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
Uso de Deep Learning para nubes de puntos
Segmentación semántica de nubes de puntos
Aplique algoritmos de Deep Learning para segmentar nubes de puntos. Entrene, pruebe y evalúe redes de segmentación semántica, como RandLA-Net, Segment Anything Model (SAM), PointSeg, SqueezeSegV2 y PointNet++, con datos de nubes de puntos.
Detección de objetos en nubes de puntos
Detecte y ajuste cuadros delimitadores orientados alrededor de objetos en nubes de puntos y utilícelos en el seguimiento de objetos o en flujos de trabajo de etiquetado de LiDAR. Diseñe, entrene y evalúe detectores robustos, como redes PointPillars y Voxel R-CNN.
Etiquetado de nubes de puntos con Multi-Sensor Labeler
Etiquete nubes de puntos para entrenar modelos de Deep Learning. Aplique algoritmos integrados o personalizados para automatizar el etiquetado de nubes de puntos con la app Multi-Sensor 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 nubes de puntos con MATLAB
Productos
Obtenga más información sobre los productos utilizados con Deep Learning para aplicaciones de nubes de puntos.
