第三方先决条件

要求

此示例生成CUDA MEX并具有以下第三方要求。

可选的

对于非mex构建，如静态、动态库或可执行文件，本例有以下附加要求。

验证GPU环境

要验证编译器和运行此示例的库是否正确设置，请使用coder.checkGpuInstall(GPU编码器)功能。

envcfg = coder.gpuenvconfig（“主机”）;envcfg.deeplibtarget =.'cudnn'；envCfg。DeepCodegen = 1;envCfg。安静= 1;coder.checkGpuInstall (envCfg);

分割网络

Squeezesegv2是一个卷积神经网络（CNN），专为有组织的激光脉云的语义分割而设计。它是一个深度编码器解码器分割网络，在LIDAR数据集上培训并导入MATLAB®以推动。在SqueezEseGv2中，编码器子网由卷积图层组成，它散布在最大池层。这种布置连续地降低输入图像的分辨率。解码器子网由一系列转换卷积层组成，其连续增加输入图像的分辨率。此外，SqueezeSegv2网络通过包括上下文聚合模块（CAM）来缓解缺失数据的影响。凸轮是卷积子网，其值为值[7,7]，其聚合来自更大的接收字段的上下文信息，这提高了网络的稳健性到缺少数据。该示例中的SqueezESEGV2网络培训到属于三个类（背景，汽车和卡车）的分段点。

有关使用Mathworks激光雷达数据集在MATLAB®中训练语义分割网络的更多信息，请参见使用POINSEG深度学习网络的LIDAR点云语义分割．

下载经过预先训练的SqueezeSegV2网络。

网= getSqueezeSegV2Net ();

下载普里雷德雷斯ZeezeEgvv2（2 MB）......

DAG网络包含238层，包括卷积层、ReLU层和批处理归一化层，以及一个焦损输出层。要显示深度学习网络架构的交互式可视化，请使用分析（深度学习工具箱）功能。

分析（网）;

squeezesegv2_predict.入学点函数

这squeezesegv2_predict.m.附加到此示例的入口点函数将点云作为输入，通过使用保存的深度学习网络对其执行预测SqueezeSegV2Net.mat文件。该函数加载网络对象SqueezeSegV2Net.mat文件到持久变量中yeNet.并在后续预测调用中重用持久变量。

类型（'screezesegvv2_predict.m'）;

一个持久化对象mynet被用来加载DAG网络对象。在第一次调用该函数时，将构造持久对象并设置%。当该函数随后被调用时，相同的对象将被重用%以调用预测输入，从而避免重新构建和%重新加载网络对象。% Copyright 2020 The MathWorks, Inc. persistent mynet;如果是空的(mynet) mynet = code . loaddeeplearningnetwork ('SqueezeSegV2Net.mat');End % pass in input out = predict(mynet,in);

生成CUDA MEX代码

为此生成CUDA MEX代码squeezesegv2_predict.m.入口点函数，为MEX目标创建GPU代码配置对象，并将目标语言设置为C ++。使用编码器。DeeplearningConfig(GPU编码器)功能创建一个CUDNN.深度学习配置对象并将其分配给DeeplearningConfigGPU代码配置对象的属性。跑过Codegen.命令，指定输入大小为[64,1024,5]。这个值对应于SqueezeSegV2网络的输入层的大小。

cfg = coder.gpuconfig（'mex'）;cfg.targetlang =.'c ++'；cfg.deeplearningconfig = coder.deeplearningconfig（'cudnn'）;Codegen.-Config.CFG.squeezesegv2_predict.-  args.{ONE（64,1024,5，'UINT8'）}-报告

代码成功：查看报告

要生成CUDA C ++代码，该代码利用了NVIDIA TENRT库，请在代码中指定Coder.deeplearningconfig（'tensorrt'）代替Coder.DeeplearningConfig（'CUDNN'）．

有关如何在英特尔®处理器上生成深度学习网络的MEX代码的信息，请参阅基于MKL-DNN的深度学习网络代码生成（MATLAB编码器）．

准备数据

在MATLAB®中加载有组织的测试点云。将点云转换为五个通道图像以进行预测。

ptCloud = pcread (“ousterLidarDrivingData.pcd”）;i = pointcloudtoimage（ptcloud）;％检查转换数据谁是一世

名称大小字节类属性i 64x1024x5 327680 uint8

图像有五个通道。这（x，y，z）点坐标包括前三个通道。第四通道包含LIDAR强度测量。第五频道包含计算为的范围信息 $$\mathrm{R.}=\sqrt{X^2+y^2+{\mathrm{Z.}}^2}$$．

可视化图像的强度通道。

INTENESHANNEL = I（：，:,4）;数字;imshow（IntenseyChannel）;标题（'强度图像'）;

在数据上运行生成的mex

称呼squeezesegv2_predict_mex在五声道图像上。

predict_cometes = screezesegv2_predict_mex（i）;

这predict_cometes.变量是一个三维矩阵，其具有与每个类的像素 - 明智的预测分数对应的三个通道。通过使用最大预测分数来计算频道以获取像素天线标签

[~, argmax] = max (predict_scores [], 3);

将分割后的标签叠加在强度通道图像上，显示分割后的区域。调整分段输出的大小，并添加颜色条，以获得更好的可视化效果。

类= [“背景”“汽车”“卡车”];cmap = lidarcolormap（）;segmentedimage = labeloverlay（InthenseShannel，Argmax，'colormap',提出);SegmentedImage = imresize (SegmentedImage,'规模'，[2 1]，'方法'那'最近'）;数字;imshow（semmentedimage）;n = numel（类）;蜱= 1 /（n * 2）：1 / n：1;彩色杆（'ticklabels'，cellstr（类），'蜱'，蜱虫，'ticklength'，0，'ticklabelinterpreter'那'没有任何'）;colormap城市规划机构(cmap)标题('语义分割结果'）;

在点云序列上运行生成的mex代码

读取输入点云序列。该序列包含10个组织pointcloud.使用Ouster OS1 LIDAR传感器收集的框架。输入数据的高度为64和宽度为1024，因此每个PointCloud对象的尺寸为64到1024。

外部='highwayscenedata.mat'；％加载工作区中的数据。加载（数据文件）;

设置不同的颜色来可视化不同兴趣类别的点方向标签。

％将颜色涂抹于汽车。Carclasscar = Zeros（64,1024,3，'uint8'）;Carclasscar（：，：，1）= 255 *那些（64,1024，'uint8'）;％将颜色蓝色涂抹到卡车上。Truckclasscolor = Zeros（64,1024,3，'uint8'）;TruckClassColor（：，:,3）= 255 *那些（64,1024，'uint8'）;％将颜色灰色应用于背景。backgroundClassColor = 153*ones(64, 1024, 3，)'uint8'）;

设定PCPlayer.函数属性以显示序列和输出预测。一帧一帧地读取输入序列，并使用模型检测感兴趣的类。

xlimits = [0 120.0];ylimits = [-80.7 80.7];zlimits = [-8.4 27];Player = PCPlayer（xlimits，ylimits，zlimits）;set（get（player.axes，'父母'），'单位'那'标准化'那'offormosition'，[0 0 1 1]）;缩放（get（player.axes，'父母'），2）;set（player.axes，'xcolor'那'没有任何'那'ycolor'那'没有任何'那'zcolor'那'没有任何'）;为了i = 1: numel(inputData) ptCloud = inputData{i};％转换点云到五声道图像进行预测。i = pointcloudtoimage（ptcloud）;%在5通道映像上调用squeezesegv2_predict_mex。predict_cometes = screezesegv2_predict_mex（i）;％将数值输出值转换为分类标签。[〜，predigeOutput] = max（predict_scores，[]，3）;predigeOutput =分类（predigeOutput，1：3，类）;%从标签中提取索引。Carindices = predigeOutput =='车'；Truckindices = PredigeOutput =='卡车'；backgressionIndices = predigeOutput =='背景'；％提取每个类的点云。carpointcloud = select（ptcloud，carindices，'输出'那“全部”）;TruckPointCloud = Select（Ptcloud，Truckindices，'输出'那“全部”）;BackgroundsPointCloud = Select（PTCloud，BackgroundIndices，'输出'那“全部”）;％将颜色填充到不同的类别。CarpointCloud.Color = Carclasscar;TruckPointCloud.Color = TruckclassColor;BackgroundPointCloud.Color = backgroundClassColor;％合并并使用类信息添加所有已加工点云。COMENTCLOUD = PCMerge（CarpointCloud，TruckPointCloud，0.01）;COMENTCLOUD = PCMerge（CornCloud，BackgroundPointCloud，0.01）;％查看输出。查看（播放器，彩色）;粗暴;结尾

辅助功能

在此示例中使用的辅助功能遵循。

类型pointCloudToImage.m

函数映像= PointCloudToImage（PTCloud）％PointCloudToImage将组织的3-D点云转换为5通道％2-D图像。image = ptcloud.location;图像（：，:,4）= ptcloud.ILTENS;Rangedata = IcomputerangData（图像（：，：，1），图像（：，2），图像（：，3））;图像（：，:,5）=范围;％投放给uint8。图像= UINT8（图像）;结尾 ％ -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  ----------------------函数范围= icomputerangedata（xchannel，ychannel，zhannel）rangedata = sqrt（xchannel。* xchannel + ychannel。* ychannel+ Zchannel。* Zchannel）;结尾

类型LidarColorMap.m.

功能CMAP = LIDARCORORMAP（）CMAP = [0.00 0.00 0.00％背景0.98 0.00 0.00％CAR 0.00 0.0 0.98％卡车];结尾

参考文献

[1]吴，比辰，宣扬周，浙城赵，湘雅悦，和库尔特凯兹。“Screezesegv2：改进了LIDAR点云的道路对象分割的模型结构和无监督域适应。”预印刷品，2018年9月22日提交.thth://arxiv.org/abs/1809.08495。