3D-Datenwissenschaft mit Python

Kapitel 14. Grundlagen des überwachten 3D-Maschinenlernens

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Wir wollen Maschinen entwickeln, die den Raum genau so wahrnehmen können wie Menschen. Das bedeutet, Tiefe zu verstehen, räumliche Beziehungen vorherzusagen, Objekte zu erkennen und intelligente Entscheidungen in digitalen Umgebungen zu treffen. Das ist ein komplexes Ziel, das aber besser zu bewältigen ist, wenn man es in kleine Teile zerlegt. In den vorangegangenen Kapiteln haben wir die ersten beiden Aufgaben gelöst: das Verstehen der Tiefe und das Erkennen räumlicher Beziehungen. Aber was ist mit dem Erkennen von Objekten, denen ein klares Konzept zugeordnet ist?

Dies könnte es uns ermöglichen, Systeme zu entwickeln, die medizinische Bilder analysieren, um Anomalien wie Tumore zu erkennen und Ärzten bei der Erstellung von Diagnose- und Behandlungsplänen zu helfen. Neben dem Gesundheitswesen sind selbstfahrende Autos stark auf 3D-Wahrnehmung angewiesen, um sich in komplexen Umgebungen sicher zu bewegen. Wir können das autonome Fahren unterstützen, indem wir mit LiDAR-Sensoren und Kameras Hindernisse, Fußgänger und Verkehrsschilder erkennen. Jede in Kapitel 1 beschriebene 3D-Data-Science-Anwendung basiert auf der semantischen Extraktion.

Die Umwandlung komplexer 3D-Daten in aussagekräftige Erkenntnisse ist jedoch die grundlegende Herausforderung. 3D-Maschinenlernen mit überwachten Lernmodellen ...