Capítulo 6. Engenharia de dados de nuvens de pontos
Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: translation-feedback@oreilly.com
É altura de revelar os meandros da engenharia de dados 3D - especificamente de nuvens de pontos. Embora as nuvens de pontos ofereçam uma representação rica da geometria 3D, a extração de informações significativas requer técnicas especializadas para lidar com o ruído e a redundância e para ajudar a discernir padrões relevantes. Precisamos de uma forma de transformar dados brutos de nuvens de pontos numa forma refinada, extraindo caraterísticas essenciais que melhorem o desempenho de tarefas a jusante, como a deteção de formas 3D(Capítulo 9), a classificação(Capítulo 15) e a deteção de objectos(Capítulo 16). A unidade de base são os nossos dados. Queremos refiná-los para que façam mais sentido para a nossa aplicação final.
Vejamos um pequeno exemplo. Imagina que queres analisar uma ressonância magnética do cérebro (uma seleção de cortes 2D do cérebro) para identificar se zonas específicas estão sujeitas à ameaça potencial de um tumor. Poderíamos passar o conjunto de imagens que constituem o nosso conjunto de dados diretamente a um neurocirurgião experiente. Cabe-lhe a ele interpretar a primeira imagem, repetir esta previsão nos vários cortes e, em seguida, fazer o seu diagnóstico e análise. Isto coloca um elevado nível de responsabilidade na qualidade dos dados. Se tiveres muito ruído (por exemplo, se o doente ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access