Train a Complex-YOLO v4 network to perform object detection on point clouds.

Generate CUDA® MEX code for a lidar object detection network. In the example, you first segment the point cloud with a pretrained network, then cluster the points and fit 3-D bounding boxes to each cluster. Finally, you generate MEX code for the network.

この例では、オーガナイズド 3 次元 LiDAR 点群データで PointSeg セマンティック セグメンテーション ネットワークに学習させる方法を示します。

この例では、オーガナイズド 3 次元 LiDAR 点群データで SqueezeSegV2 セマンティック セグメンテーション ネットワークに学習させる方法を示します。

この例では、LIDAR セマンティック セグメンテーション用の深層学習ネットワークの CUDA® MEX コードを生成する方法を示します。この例では、3 つのクラス (background、car、truck) に属しているオーガナイズド LIDAR 点群をセグメント化することができる、事前学習済みの SqueezeSegV2 [1] ネットワークが使用されます。ネットワークに学習させる手順については、Lidar Point Cloud Semantic Segmentation Using SqueezeSegV2 Deep Learning Network (Lidar Toolbox)を参照してください。生成された MEX コードは、入力としてひとまとまりの点群を取り、SqueezeSegV2 ネットワーク用の DAGNetwork オブジェクトを使用して点群に対する予測を実行します。

Train a PointNet++ deep learning network to perform semantic segmentation on aerial lidar data.

Generate CUDA® MEX code for a PointNet++ [1] network for lidar semantic segmentation. This example uses a pretrained PointNet++ network that can segment unorganized lidar point clouds belonging to eight classes (buildings, cars, trucks, poles, power lines, fences, ground, and vegetation). For more information on PointNet++ network, see PointNet++ 入門 (Lidar Toolbox).

この例では、点群でオブジェクトを検出するために PointPillars ネットワークに学習させる方法を示します。

Generate CUDA® MEX for a PointPillars object detector. For more information, see PointPillars 深層学習を使用した LiDAR の 3 次元オブジェクト検出 (Lidar Toolbox) example from the Lidar Toolbox™.

Perform typical data augmentation techniques for 3-D object detection workflows with lidar data.

Automate vehicle detections in a point cloud using a pretrained pointPillarsObjectDetector (Lidar Toolbox) in the LiDAR ラベラー (Lidar Toolbox). The example uses the AutomationAlgorithm interface in the Lidar Labeler app to automate labeling.