Мастерство 3D-кластеризации: как сегментировать облака точек с помощью теории графов

💡 Получите 7 PDF-файлов с уроками по 3D-данным здесь: https://learngeodata.eu/3d-newsletter/ 📕 Предзакажите мою новую книгу в издательстве O'Reilly: https://www.amazon.fr/Data-Science-Py... Как вы знаете, ручная сегментация облаков точек для идентификации объектов — это утомительный процесс, особенно при работе с большими наборами данных и ограничениями памяти. Он становится еще сложнее, когда нужно изолировать отдельные объекты, которые могут перекрываться или находиться в непосредственной близости друг от друга. В этом видео я представляю решение с использованием теории графов для автоматизации процесса сегментации и эффективной кластеризации объектов в облаке точек. Вы узнаете, как построить граф из данных облака точек, проанализировать его связанные компоненты и визуализировать результаты для автоматической сегментации с использованием библиотек Python. Это видео — отличный ресурс для всех, кто хочет научиться создавать инструменты для работы с 3D-данными. 🙋 ПОДПИСЫВАЙТЕСЬ НА МЕНЯ LinkedIn:   / florent-poux-point-cloud   Medium:   / florentpoux   КТО Я? Если мы еще не знакомы — привет 👋 Меня зовут Флоран, я профессор, ставший предпринимателем, и каким-то образом я стал одним из самых популярных экспертов в области 3D-графики. 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-графике. 📗 РАЗДЕЛЫ [00:00] Введение в графы для 3D [01:52] Необходимые библиотеки Python [03:15] Постановка задачи и подход [04:38] Предварительная обработка данных и иллюстрация [06:30] Настройка среды Python [07:46] Загрузка и подготовка данных облака точек [08:47] Моделирование набора данных облака точек 2D [09:47] Введение в теорию и концепции графов [13:39] Построение графа из данных облака точек [17:13] Анализ связных компонентов [18:31] Построение и визуализация 2D графа [21:00] Применение анализа графов к реальному набору данных [22:28] Визуализация и кластеризация результатов [24:05] Заключение