Capítulo 14. Fundamentos da aprendizagem automática 3D supervisionada
Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: translation-feedback@oreilly.com
Nós,, pretendemos conceber máquinas capazes de perceber o espaço exatamente como os humanos. Isto significa compreender a profundidade, prever relações espaciais, reconhecer objectos e tomar decisões inteligentes em ambientes digitais. Trata-se de um objetivo complexo, mas mais fácil de gerir quando dividido em partes. Nos capítulos anteriores, resolvemos as duas primeiras partes: compreender a profundidade e encontrar relações espaciais. Mas e quanto ao reconhecimento de objectos com um conceito claro ligado a eles?
Isto pode permitir-nos construir sistemas que analisem imagens médicas para detetar anomalias como tumores, ajudando os médicos a formular planos de diagnóstico e tratamento. Para além dos cuidados de saúde, os carros autónomos dependem fortemente da perceção 3D para navegar em ambientes complexos em segurança. Podemos criar assistência à condução autónoma identificando obstáculos, peões e sinais de trânsito utilizando sensores LiDAR e câmaras. Mais uma vez, todas as aplicações de ciência de dados 3D descritas no Capítulo 1 dependem da extração semântica.
No entanto, o desafio fundamental é transformar dados 3D complexos em conhecimentos significativos. A aprendizagem automática 3D, com modelos de aprendizagem supervisionada, traz uma mudança de paradigma fundamental neste contexto. ...
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