Créez et déployez des systèmes d'IA qui extraient des informations à partir de nuages de points. Entraînez, testez et déployez des réseaux de Deep Learning sur des nuages de points pour la détection d'objets et la segmentation sémantique.
Avec MATLAB et Simulink, vous pouvez :
- Prétraiter des nuages de points pour appliquer des algorithmes de Deep Learning
- Utiliser l'application Lidar Labeler afin de labelliser des nuages de points pour la détection d'objets
- Traiter de grandes quantités de données pour l’apprentissage, le test et la validation avec des datastores
- Générer du code C/C++ et CUDA pour les workflows de Deep Learning destinés à la segmentation sémantique et à la détection d'objets sur les données de nuages de points
Pourquoi utiliser le Deep Learning sur des nuages de points ?
Segmentation sémantique des nuages de points
Appliquez des algorithmes de Deep Learning pour segmenter des nuages de points. Entraînez, testez et évaluez des réseaux de segmentation sémantique, notamment RandLA-Net, Segment Anything Model (SAM), PointSeg, SqueezeSegV2 et PointNet++, sur des nuages de points.
Détection d'objets dans des nuages de points
Détectez et ajustez des boîtes englobantes autour d'objets dans des nuages de points et utilisez-les pour des workflows de pistage d'objets ou de labellisation LIDAR. Concevez, entraînez et évaluez des détecteurs robustes tels que les réseaux PointPillars et Voxel R-CNN.
Labellisation des nuages de points avec Multi Sensor Labeler
Labellisez des nuages de points pour entraîner des modèles de Deep Learning. Appliquez des algorithmes prédéfinis ou personnalisés pour automatiser la labellisation des nuages de points avec l'application Multi Sensor Labeler et évaluez les performances de l'algorithme d'automatisation.
Déploiement
Générez du code CUDA® MEX pour des réseaux comme PointPillars, SqueezeSegV2 et PointNet++ afin de déployer des algorithmes de segmentation de nuages de points ou de détection d'objets sur des GPU.