dataFolder=fullfile（tempdir，“戴尔斯”）;trainDataFolder = fullfile (dataFolder,“dales_las”,“火车”); testDataFolder=fullfile（dataFolder，“dales_las”,“测试”）;

lasReader = lasFileReader (fullfile (trainDataFolder“5080_54435.拉斯维加斯”));[pc, attr] = readPointCloud (lasReader“属性”,“分类”)；标签=属性分类；%仅选择已标记的数据。pc=select（pc，labels~=0）；labels=labels（labels~=0）；classNames=[“地面”“植被”“汽车”“卡车”“电力线”“栅栏”“两极”“建筑”]；图；ax=pcshow（pc.Location，labels）；helperLabelColorbar（ax，类名）；标题(“具有重叠语义标签的点云”）;

gridSize=[50,50]；numPoints=8192；

writeFiles=true；numclass=numel（类名）；[pcCropTrainPath，labelcroptrainpath，weights]=helpercroppointclouds和mergelabels(．..gridSize、trainDataFolder、numPoints、WriteFile、numClass）；

[maxWeight, maxLabel] = max(重量);重量=√maxWeight. /重量);

LDSTREAN=文件数据存储（pcCropTrainPath，“ReadFcn”@ (x) pcread (x));

%指定从1到类数的标签id。labelIDs = 1: numClasses;一会,pxdsTrain = pixelLabelDatastore (labelsCropTrainPath labelIDs);

ptcld=preview（ldsTrain）；labels=preview（pxdsTrain）；figure；ax=pcshow（ptcld.Location，uint8（labels））；helperLabelColorbar（ax，classNames）；title(“带有重叠语义标签的裁剪点云”）;

ldsTransformed = transform(ldsTrain，@(x) helperConvertPointCloud(x));

dsTrain=联合收割机（ldsTransformed，pxdsTrain）；

LGRAPHE=点网络多个杀戮者（numPoints，3，numclass）；

%将焦点层替换为pixelClassificationLayer。larray=像素分类层(“姓名”,“SegmentationLayer”,“类权重”,．..重量、“班级”类名);lgraph = replaceLayer (lgraph,“聚焦”，拉里）；

learningRate=0.0005；L2规则化=0.01；numEpochs=20；miniBatchSize=6；learnRateDropFactor=0.1；learnRateDropPeriod=10；gradientDecayFactor=0.9；squaredGradientDecayFactor=0.999；选项=培训选项(“亚当”,．..“初始学习率”，学习率，．..“L2Regularization”，L2调节化，．..“MaxEpochs”numEpochs,．..“MiniBatchSize”miniBatchSize,．..“LearnRateSchedule”,“分段”,．..“LearnRateDropFactor”learnRateDropFactor,．..“LearnRateDropPeriod”learnRateDropPeriod,．..“梯度衰减因子”，梯度衰减因子，．..“SquaredGradientDecayFactor”，平方半径衰减因子，．..“情节”,“训练进步”）;

doTraining=false；如果溺爱%使用trainNetwork功能在dsTrain数据存储上训练网络。[net, info] = trainNetwork(dsTrain,lgraph,options);其他的%加载预训练的网络。装载(“pointnetplusTrained.mat”,“净”）;终止

numNearestNeighbors=20；半径=0.05；

lasReader=lasFileReader（完整文件（testDataFolder，“5080_54470.拉斯维加斯”));[pc, attr] = readPointCloud (lasReader“属性”,“分类”)；LabelsDensetTarget=属性分类；%仅选择已标记的数据。pc=select（pc，LabelsDensetTarget~=0）；labelsDenseTarget=labelsDenseTarget（labelsDenseTarget~=0）；%初始化预测标签labelsDensePred = 0(大小(labelsDenseTarget));

numGridsX=圆形（diff（pc.XLimits）/gridSize（1））；numGridsY=圆形（diff（pc.YLimits）/gridSize（2））；[~，edgex，edgesY，indx，indy]=历史计数2（pc.Location（：，1），pc.Location（：，2），．..[numGridsX，numGridsY]，“XBinLimits”，pc.XLimits，“YBinLimits”, pc.YLimits);印第安纳州= sub2ind ([numGridsX numGridsY], indx,印第安纳·琼斯);

对于num=1:numGridsX*numGridsY idx=ind==num；ptclouddensed=select（pc，idx）；labeldensed=labeldensetarget（idx）；%使用本示例附带的helperDownsamplePoints函数作为%支万博1manbetx持文件，用于从%密集点云。ptCloudSparse=helperDownsamplePoints（ptCloudDense，．..labelsDense numPoints);%绘制稠密点云和稀疏点的空间范围%的云一样。限制=[ptclouddensel.XLimits；ptclouddensel.YLimits；ptclouddensel.ZLimits]；ptCloudSparseLocation=ptcloudsparsel.Location；ptCloudSparseLocation（1:2，：）=限制（：，1:2）”；ptcloudsparsel=pointCloud（ptCloudSparseLocation，“颜色”, ptCloudSparse。的颜色,．..“强度”，ptcloud.Intensity，．..“正常”，ptCloudSparse.Normal）；%使用本示例附带的helperNormalizePointCloud函数%支持文万博1manbetx件，用于规范化0和1之间的点云。ptCloudSparseNormalized=helperNormalizePointCloud（ptCloudSparse）；ptclouddenormalized=helperNormalizePointCloud（ptclouddensed）；%使用在本文末尾定义的helperConvertPointCloud函数%例如，将点云转换为单元阵列并排列%点云的尺寸，使其与输入层兼容%网络的一部分。ptCloudSparseForPrediction=帮助转换点云（ptCloudSparseNormalized）；%获取输出预测。labelsSparsePred = semanticseg (ptCloudSparseForPrediction {1},．..网“输出类型”,‘uint8’）;%使用本示例附带的helperInterpolate函数作为%支万博1manbetx持文件，用于计算密集点云的标签，%使用稀疏点云和在稀疏点云上预测的标签。interpolatedLabels=helperInterpolate（ptCloudDenormalized，．..PTCLOUDSPARSENORMAL，标签SPARSEPRED，numNearestNeighbors，．..半径,maxLabel numClasses);labelsDensePred (idx) = interpolatedLabels;终止

roi=[EDGEESX（5）EDGEESX（8）edgesY（8）edgesY（11）pc.ZLimits]；索引=查找点roi（pc，roi）；图；ax=pcshow（选择（pc，索引）。位置，标签显示（索引））；轴关；缩放（ax，1.5）；helperLabelColorbar（ax，类名）；标题(“点云与检测到的语义标签重叠”）;

confusionMatrix=分段confusionMatrix（标签编号，．..双（LabelsDensetTarget），“班级”，1:numclass）；metrics=evaluateSemanticSegmentation（{confusionMatrix}，类名，“详细”，假）；

metrics.DataSetMetrics

度量

作用helperLabelColorbar（ax，类名）% Colormap的原始类。cmap=[0,0255]；[0255,0]；[255192203]；[255255,0]；[255,0255]；[255165,0]；[139,0150]；[255,0,0]；cmap=cmap./255；cmap=cmap（1:numel（类名），：）；颜色映射（ax，cmap）；%将颜色栏添加到当前图形。c=颜色条（ax）；c.颜色=“w”;%将记号标签居中，并使用类名称作为记号标记。numClasses=大小（类名，1）；c、 Ticks=1:1:numclass；c、 标签=类名；%删除勾号。c.TickLength = 0;终止

作用数据=helperConvertPointCloud（数据）如果~iscell（data）data={data}；终止numObservations=大小（数据，1）；对于i=1:numobervations tmp=data{i，1}.Location；data{i，1}=permute（tmp[1,3,2]）；终止终止