训练Complex-YOLO v4网络在点云上执行目标检测。

生成CUDA®MEX代码用于激光雷达目标检测网络。在本例中，您首先使用预先训练的网络分割点云，然后将点聚类，并将3-D边界框贴合到每个聚类中。最后，为网络生成MEX代码。

在三维组织的激光雷达点云数据上训练PointSeg语义分割网络。

在三维组织的激光雷达点云数据上训练SqueezeSegV2语义分割网络。

为激光雷达语义分割的深度学习网络生成CUDA®MEX代码。本例使用一个预先训练好的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代码将点云作为输入，并使用SqueezeSegV2网络的DAGNetwork对象在点云上执行预测。

训练pointnet++深度学习网络对航空激光雷达数据进行语义分割。

为pointnet++[1]网络生成CUDA®MEX代码，用于激光雷达语义分割。这个例子使用了一个预先训练过的pointnet++网络，它可以分割属于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PointPillars对象检测器生成CUDA®MEX。有关更多信息，请参见Lidar工具箱™中的使用PointPillars深度学习的Lidar 3-D对象检测示例。

利用激光雷达数据对三维目标检测工作流程进行典型的数据增强技术。

在Lidar Labeler应用程序中使用预先训练的pointPillarsObjectDetector在点云中自动检测车辆。该示例使用了Lidar Labeler应用程序中的AutomationAlgorithm接口来自动标记。