帮助中心帮助中心
通过使用深度学习工具箱™和激光雷达工具箱™,将深度学习算法应用于激光雷达点云数据的处理。
全部展开
pointPillarsObjectDetector
trainPointPillarsObjectDetector
检测
squeezesegv2Layers
pointnetplusLayers
训练Complex-YOLO v4网络在点云上执行目标检测。
为激光雷达目标检测网络生成CUDA®MEX代码。在本例中,首先使用预训练的网络对点云进行分段,然后对点进行聚类,并将3-D包围框贴合到每个聚类中。最后,为网络生成MEX代码。
在三维激光雷达点云数据上训练PointSeg语义分割网络。
在三维激光雷达点云数据上训练一个SqueezeSegV2语义分割网络。
生成用于激光雷达语义分割的深度学习网络的CUDA®MEX代码。本例使用预训练的SqueezeSegV2[1]网络,该网络可以分割属于三类(背景、汽车和卡车)的有组织的激光雷达点云。有关网络训练过程的信息,请参见使用SqueezeSegV2深度学习网络的激光雷达点云分割。生成的MEX代码以点云作为输入,并通过使用SqueezeSegV2网络的DAGNetwork对象对点云进行预测。
训练pointnet++深度学习网络对航空激光雷达数据进行语义分割。
生成用于激光雷达语义分割的pointnet++[1]网络的CUDA®MEX代码。本例使用预先训练好的pointnet++网络,该网络可以分割属于8类(建筑物、汽车、卡车、电线杆、电线、栅栏、地面和植被)的无组织激光雷达点云。有关pointnet++网络的更多信息,请参见pointnet++入门。
训练PointPillars网络用于点云中的对象检测。
为point柱子对象检测器生成CUDA®MEX。有关更多信息,请参见激光雷达工具箱中的使用PointPillars深度学习示例的激光雷达3-D对象检测。
使用激光雷达数据执行三维目标检测工作流程的典型数据增强技术。
在Lidar Labeler应用程序中使用预训练的pointPillarsObjectDetector在点云中自动检测车辆。该示例使用Lidar Labeler应用程序中的AutomationAlgorithm接口来自动标记。
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。万博1manbetx
选择一个网站,在可用的地方获得翻译的内容,并查看当地的活动和优惠。根据您所在的位置,我们建议您选择:.
您也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
联系当地办事处