Capitolo 14. Fondamenti di apprendimento automatico 3D supervisionato
Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: translation-feedback@oreilly.com
Noi di puntiamo a progettare macchine in grado di percepire lo spazio esattamente come gli esseri umani. Ciò significa comprendere la profondità, prevedere le relazioni spaziali, riconoscere gli oggetti e prendere decisioni intelligenti negli ambienti digitali. Si tratta di un obiettivo complesso, ma più gestibile se suddiviso in parti. Nei capitoli precedenti abbiamo risolto le prime due parti: comprendere la profondità e individuare le relazioni spaziali. Ma che dire del riconoscimento degli oggetti con un concetto chiaro ad essi collegato?
Questo potrebbe permetterci di costruire sistemi che analizzano le immagini mediche per rilevare anomalie come i tumori, aiutando i medici a formulare piani diagnostici e di trattamento. Oltre all'assistenza sanitaria, le auto a guida autonoma si basano molto sulla percezione 3D per navigare in ambienti complessi in modo sicuro. Possiamo creare un'assistenza alla guida autonoma identificando ostacoli, pedoni e segnali stradali grazie a sensori LiDAR e telecamere. Ancora una volta, tutte le applicazioni di scienza dei dati 3D descritte nel Capitolo 1 si basano sull'estrazione semantica.
Tuttavia, la trasformazione di dati 3D complessi in approfondimenti significativi è la sfida fondamentale. L'apprendimento automatico 3D, con i modelli ...
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