在三维激光雷达点云数据上训练PointSeg语义分割网络。

在三维激光雷达点云数据上训练一个SqueezeSegV2语义分割网络。

生成用于激光雷达语义分割的深度学习网络的CUDA®MEX代码。本例使用预训练的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代码以点云作为输入，并通过使用SqueezeSegV2网络的DAGNetwork对象对点云进行预测。

训练pointnet++深度学习网络对航空激光雷达数据进行语义分割。

生成用于激光雷达语义分割的pointnet++[1]网络的CUDA®MEX代码。本例使用预先训练好的pointnet++网络，该网络可以分割属于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。

生成带有自定义层的PointPillars对象检测器的CUDA®MEX。有关更多信息，请参见激光雷达工具箱中的使用PointPillars深度学习示例的激光雷达3-D对象检测。

使用激光雷达数据执行3d目标检测工作流程中使用的典型数据增强技术。

在Lidar Labeler应用程序中，使用预先训练好的PointPillars对象检测网络在点云中自动检测车辆。在本例中，您使用AutomationAlgorithm接口在Lidar Labeler应用程序中自动标记。