Классификация облаков точек в реальном времени для трёхмерных фигур (PCA + случайные леса): микро...

1. 📕 Ранний выпуск моей новой книги издательства O'Reilly: https://www.oreilly.com/library/view/...

2. 🎓 Изучение 3D-данных и GeoAI: https://learngeodata.eu

Узнайте, как создать сверхбыстрый 3D-классификатор облаков точек с использованием анализа главных компонент (PCA) и случайного леса, достигающий 92% точности без глубокого обучения. В этом руководстве показано, как извлекать геометрические объекты из облаков точек и классифицировать здания, рельеф и растительность в режиме реального времени с помощью Python. Руководство основано на методах из книги «3D Data Science with Python» и реализовано в проекте ОС с открытым исходным кодом 3D Segmentor. Идеально подходит для обработки данных LiDAR, автономных транспортных средств и 3D-картографирования с ограниченными вычислительными ресурсами.

🙋 ПОДПИШИТЕСЬ НА МЕНЯ
Linkedin:   / florent-poux-point-cloud  
Medium:   / florentpoux  

🍇 РЕСУРСЫ
Скоро

КТО Я?
Если мы ещё не знакомы — привет! 👋 Меня зовут Флорент, я профессор, ставший предпринимателем, и мне удалось стать одним из самых популярных экспертов в области 3D. В своих видео на этом канале и статьях я делюсь научно обоснованными стратегиями и инструментами, которые помогут вам стать лучшими программистами и новаторами в 3D.

📜 ГЛАВЫ
[00:00] Введение: Классификация 3D-облаков точек с использованием PCA и случайного леса
[00:50] Результаты обучения: Чего вы сможете достичь после этого руководства.
[02:05] Настройка: Описание необходимой среды, виртуальной среды Anaconda и необходимых библиотек (NumPy, scikit-learn, Open3D, readPLY).

[03:45] Создание 3D-визуализатора: Введение во вспомогательную функцию для визуализации облаков точек и её тестирование на случайных данных.

[05:00] Удаление выбросов: Описание функции удаления выбросов с использованием метода K-ближайших соседей.

[07:54] Нормализация: Нормализация облака точек.

[10:10] Извлечение признаков методом главных компонент (PCA): Подробный обзор метода главных компонент (PCA), его актуальности, математической основы и реализации для извлечения признаков из облаков точек.

[16:30] Тестирование фигур: Выполнение вычисления признаков PCA для нескольких фигур с выводом подробной информации в консоль для каждого элемента.
[18:50] Определение модели: Определение модели случайного леса, описание важных параметров.
[22:26] Создание набора данных: Демонстрация моделирования обучающих данных (признаков и меток) путем создания синтетических сфер, цилиндров и плоскостей.
[23:40] Обучение: Обучение классификатора, вывод соответствующей статистики обученной модели.
[25:18] Конвейер функции вывода: Обсуждение и объяснение создания функции вывода для применения обученной модели к новым, ранее не встречавшимся данным.
[27:20] Тестирование вывода на фиктивных данных: Тестирование вывода на моделируемых данных, демонстрация процесса классификации сгенерированной плоскости и времени классификации. [30:05] Выполнение вывода на основе фактически сгенерированных фигур: загрузка трёхмерных фигур (куб, цилиндр, плоскость, сфера) из файлов и их прогон через конвейер вывода для классификации.
[32:25] Расширение до супер-крутых идей: обсуждение способов расширения и улучшения текущей системы с упором на создание моделей.