객체 검출과 의미론적 분할을 위해 라이다 포인트 클라우드로 딥러닝 신경망을 훈련, 테스트, 배포할 수 있습니다.
MATLAB 및 Simulink로 다음과 같은 작업을 수행할 수 있습니다.
- 딥러닝 알고리즘 적용을 위해 라이다 포인트 클라우드 전처리
- 객체 검출을 위해 라이다 레이블 지정기 앱을 사용하여 라이다 포인트 클라우드에 레이블 지정
- 데이터저장소로 훈련, 테스트 및 검증을 위해 대량의 데이터 처리
- 포인트 클라우드 데이터에 대한 의미론적 분할 및 객체 검출 딥러닝 워크플로를 위해 C/C++ 및 CUDA 코드 생성
왜 라이다에 딥러닝을 사용할까요?
![항공 라이다 데이터의 의미론적 분할 건물, 식생, 차량 등의 객체를 기반으로 분할된 항공 라이다 포인트 클라우드.](https://kr.mathworks.com/solutions/deep-learning/deep-learning-lidar/_jcr_content/mainParsys/band_copy/mainParsys/columns_copy/507537ca-afa8-41c5-806f-bbdd06667040/image_copy_copy.adapt.full.medium.gif/1733472805993.gif)
라이다의 의미론적 분할
딥러닝 알고리즘을 적용하여 라이다 포인트 클라우드를 분할할 수 있습니다. 라이다 데이터에 대해 PointNet++, PointSeg, SqueezeSegV2 등의 의미론적 분할 신경망을 훈련, 테스트, 평가할 수 있습니다.
![자율주행 응용 사례의 객체 검출 포인트 클라우드 데이터에서 자동차와 트럭을 검출하고 이들 주위의 방향성이 있는 경계 상자를 피팅할 수 있습니다.](https://kr.mathworks.com/solutions/deep-learning/deep-learning-lidar/_jcr_content/mainParsys/band_copy/mainParsys/columns_copy/b827a46e-7d00-424f-81d8-b611fc9edab9/image_copy.adapt.full.medium.gif/1733472806034.gif)
라이다 포인트 클라우드에서 객체 검출
라이다 포인트 클라우드에서 객체 주위의 방향성이 있는 경계 상자를 검출 및 피팅하고 객체 추적 또는 라이다 레이블 지정 워크플로에 이를 사용할 수 있습니다. PointPillars 신경망과 같은 강건한 검출기를 설계, 훈련, 평가할 수 있습니다.
![라이다 레이블 지정기 앱 라이다 레이블 지정기 앱.](https://kr.mathworks.com/solutions/deep-learning/deep-learning-lidar/_jcr_content/mainParsys/band_copy/mainParsys/columns_copy_copy/507537ca-afa8-41c5-806f-bbdd06667040/image_copy_copy.adapt.full.medium.gif/1733472806111.gif)
라이다 레이블 지정
딥러닝 모델의 훈련을 위해 라이다 포인트 클라우드에 레이블을 지정할 수 있습니다. 라이다 레이블 지정기 앱을 통해 내장 알고리즘이나 사용자 지정 알고리즘을 적용하여 라이다 포인트 클라우드 레이블 지정을 자동화하고 자동화 알고리즘 성능을 평가할 수 있습니다.
![SqueezeSegV2 신경망의 GPU 코드 생성 자동차와 배경을 보여주는 분할된 포인트 클라우드.](https://kr.mathworks.com/solutions/deep-learning/deep-learning-lidar/_jcr_content/mainParsys/band_copy/mainParsys/columns_copy_copy/b827a46e-7d00-424f-81d8-b611fc9edab9/image_copy_copy_copy.adapt.full.medium.gif/1733472806148.gif)
배포
PointPillars, SqueezeSegV2 및 PointNet++ 같은 신경망의 CUDA® MEX 코드를 생성하여 GPU에 포인트 클라우드 분할 또는 객체 검출 알고리즘을 배포할 수 있습니다.