在三维组织的激光雷达点云数据上训练PointSeg语义分割网络。

在三维组织的激光雷达点云数据上训练SqueezeSegV2语义分割网络。

为激光雷达语义分割的深度学习网络生成CUDA®MEX代码。本例使用一个预先训练好的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代码将点云作为输入，并使用SqueezeSegV2网络的DAGNetwork对象在点云上执行预测。

训练pointnet++深度学习网络对航空激光雷达数据进行语义分割。

为pointnet++[1]网络生成CUDA®MEX代码，用于激光雷达语义分割。这个例子使用了一个预先训练过的pointnet++网络，它可以分割属于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。

对航空激光雷达数据中的地形进行分割和分类，包括地面、建筑和植被。该示例使用机载激光雷达系统捕获的LAZ文件作为输入。首先，将LAZ文件中的点云数据分为地面点和非地面点。然后，根据法线特征和曲率特征，进一步将非地面点分为建筑点和植被点。该图提供了该过程的概述。

从航空激光雷达数据中提取森林指标和单个树的属性。