포인트 클라우드로부터 정보를 도출하는 AI 시스템을 구축하고 배포할 수 있습니다. 객체 검출과 의미론적 분할을 위해 포인트 클라우드에서 딥러닝 신경망을 훈련하고 테스트하며 배포할 수 있습니다.
MATLAB 및 Simulink를 사용해 다음과 같은 작업을 수행할 수 있습니다.
- 딥러닝 알고리즘 적용을 위한 포인트 클라우드 전처리
- 객체 검출을 위해 라이다 레이블 지정기 앱을 사용해 포인트 클라우드에 레이블 지정
- 데이터저장소를 사용해 훈련, 테스트 및 검증을 위한 대량의 데이터 처리
- 포인트 클라우드 데이터의 의미론적 분할 및 객체 검출 딥러닝 워크플로를 위한 C/C++ 및 CUDA 코드 생성
왜 포인트 클라우드에 딥러닝을 사용할까요?
포인트 클라우드의 의미론적 분할
딥러닝 알고리즘을 적용해 포인트 클라우드를 분할할 수 있습니다. RandLA-Net, SAM(Segment Anything Model), PointSeg, SqueezeSegV2 및 PointNet++를 비롯한 의미론적 분할 신경망을 포인트 클라우드 데이터에 대해 훈련시키고 테스트하며 평가할 수 있습니다.
포인트 클라우드에서의 객체 검출
포인트 클라우드에서 객체를 검출하고 객체 주위에 방향성이 있는 경계 상자를 맞추어, 이를 객체 추적 또는 라이다 레이블 지정 워크플로에 활용할 수 있습니다. PointPillars 및 Voxel R-CNN 신경망과 같은 강건한 검출기를 설계하고 훈련하며 평가할 수 있습니다.
다중 센서 레이블 지정기를 사용한 포인트 클라우드 레이블 지정
딥러닝 모델의 훈련을 위해 포인트 클라우드에 레이블을 지정할 수 있습니다. 다중 센서 레이블 지정기 앱을 통해 내장 알고리즘이나 사용자 지정 알고리즘을 적용해 포인트 클라우드 레이블 지정을 자동화하고 자동화 알고리즘 성능을 평가할 수 있습니다.
배포
PointPillars, SqueezeSegV2 및 PointNet++ 같은 신경망의 CUDA® MEX 코드를 생성하여 GPU에 포인트 클라우드 분할 또는 객체 검출 알고리즘을 배포할 수 있습니다.