第三方先决条件

必需的

此示例生成CUDA MEX并具有以下第三方要求。

可选

对于诸如静态，动态库或可执行文件的非MEX构建，此示例具有以下附加要求。

验证GPU环境

要验证运行此示例的编译器和库是否正确设置，请使用Coder.CheckGPuInstall.函数。

envcfg = coder.gpuenvconfig（'主持人'）;envCfg。DeepLibTarget ='cudnn'；envcfg.deepcodegen = 1;Envcf​​g.quiet = 1;Coder.CheckGpuInstall（Envcf​​g）;

分段网络

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 Lidar DataSet在Matlab®中培训语义分段网络的更多信息，请参阅基于PointSeg深度学习网络的激光雷达点云语义分割（LIDAR工具箱）．

下载佩带的SqueezESEGv2网络。

net = getsqueezesegv2net（）;

下载普里雷德雷斯ZeezeEgvv2（2 MB）......

DAG网络包含238层，包括卷积，Relu和批量归一化层，以及焦损输出层。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)函数。

analyzeNetwork(净);

squeezesegv2_predict入口点函数

的squeezesegv2_predict.m.本例附带的入口点函数以点云为输入，利用存储在的深度学习网络对点云进行预测squeezesegv2net.mat.文件。该函数加载网络对象squeezesegv2net.mat.文件到持久变量中mynet并在后续预测调用中重用持久变量。

类型(“squeezesegv2_predict.m”）;

函数OUT = SCREEZESEGV2_PREDICT（in）％＃codegen％持久对象mynet用于加载DAG网络对象。在％第一次调用此函数时，构建持久对象并％设置。当该函数称为后续时间时，相同的对象是％重复呼叫在输入上的预测，从而避免重建和％重新加载网络对象。％Copyright 2020 MathWorks，Inc。持久性MyNet;如果是isempty（mynet）mynet = coder.loaddeeplearningnetwork（'scriezesegv2net.mat'）;输入OUT中的最终％通过=预测（MYNET，IN）;

生成CUDA MEX代码

的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coder.deeplearningconfig功能创建一个CuDNN的深度学习配置对象，并将其分配给DeeplearningConfig图形处理器代码配置对象的属性。运行codegen命令，指定[64,1024,5]的输入大小。该值对应于挤压符号的输入层的大小。

cfg = coder.gpuConfig (墨西哥人的）;cfg。TargetLang =“c++”；cfg.deeplearningconfig = coder.deeplearningconfig（'cudnn'）;codegen配置cfgsqueezesegv2_predictarg游戏{(64、1024、5、uint8)}-报告

代码生成成功: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”)而不是coder.DeepLearningConfig(“cudnn”)．

有关如何在Intel®处理器上为深度学习网络生成MEX代码的信息，请参阅MKL-DNN的深度学习网络代码生成．

准备数据

在MATLAB®中加载一个有组织的测试点云。将点云转换为五通道图像进行预测。

ptcloud =缺陷（'outerlidardrivingdata.pcd'）;I = pointCloudToImage (ptCloud);％检查转换数据谁我

名称大小字节类属性i 64x1024x5 327680 uint8

图像有五个通道。的(x, y, z)点坐标包括前三个通道。第四个通道包含激光雷达强度测量。第五个通道包含范围信息，计算为 $$r＝\sqrt{x^2+y^2+z^2}$$．

可视化图像的强度通道。

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

在数据上运行生成的MEX

调用squeezesegv2_predict_mex.在五声道图像上。

predict_cometes = screezesegv2_predict_mex（i）;

的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）;

覆盖强度信道图像上的分段标签并显示分段区域。调整分段输出的大小并添加彩色键以获得更好的可视化。

类= [“背景”“车”“卡车”];提出= lidarColorMap ();SegmentedImage = labeloverlay (intensityChannel argmax,'colormap'，cmap）;segmentedimage = imresize（semmentedimage，'规模'，[2 1]，'方法'，'最近'）;图;imshow (SegmentedImage);N =元素个数(类);蜱虫= 1 / (N * 2): 1 / N: 1;colorbar ('ticklabels'，cellstr（类），'蜱'蜱虫,'ticklength'，0，“TickLabelInterpreter”，'没有任何'）;Colormap（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激光雷达传感器采集的帧。输入数据的高度为64，宽度为1024，因此每个pointCloud对象的大小为64 * 1024。

datafile =“highwaySceneData.mat”；％加载工作区中的数据。负载(功能);

设置不同的颜色，可视化不同类别的点心标签。

给汽车涂上红色。Carclasscar = Zeros（64,1024,3，“uint8”）;carClassCar(:，: 1) = 255*ones(64, 1024, 1)“uint8”）;将蓝色应用于卡车。Truckclasscolor = Zeros（64,1024,3，“uint8”）;TruckClassColor（：，:,3）= 255 *那些（64,1024，“uint8”）;给背景添加灰色。backgroundclasscolor = 153 * =（64,1024,3，“uint8”）;

设定pcplayer函数属性以显示序列和输出预测。通过帧读取输入序列帧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”），'单位'，“归一化”，'offormosition'，[0 0 1 1]）;缩放（get（player.axes，“父”), 2);集(球员。轴,“XColor”，'没有任何'，'ycolor'，'没有任何'，'zcolor'，'没有任何'）;为i = 1：numel（inputdata）ptcloud = inputdata {i};%将点云转换为五通道图像进行预测。I = pointCloudToImage (ptCloud);％呼叫Squeezesegv2_predict_mex在5通道图像上。predict_cometes = screezesegv2_predict_mex（i）;％将数值输出值转换为分类标签。[~, predictedOutput] = max (predict_scores [], 3);predictedOutput = categorical(predictedOutput, 1:3, classes);％从标签中提取索引。Carindices = predigeOutput =='车'；Truckindices = PredigeOutput =='卡车'；backgrounddindices = predictedOutput ==“背景”；为每个类提取一个点云。carPointCloud = select(ptCloud, carIndices，“OutputSize”，'满的'）;truckPointCloud = select(ptCloud, truckIndices，“OutputSize”，'满的'）;BackgroundsPointCloud = Select（PTCloud，BackgroundIndices，“OutputSize”，'满的'）;%填充颜色到不同的类。CarpointCloud.Color = Carclasscar;TruckPointCloud.Color = TruckclassColor;BackgroundPointCloud.Color = backgroundClassColor;%合并并添加所有处理过的带有类信息的点云。colorred = pcmerge(carPointCloud, truckPointCloud, 0.01);coloredCloud = pcmerge(coloredCloud, backgroundPointCloud, 0.01);%查看输出。查看（播放器，彩色）;粗暴;结束

辅助功能

下面是本示例中使用的helper函数。

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）;结束

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];结束

参考

[1]吴碧晨，周旋宇，赵思成，岳翔宇，库尔特·库泽。“从激光雷达点云分割道路目标的改进模型结构和无监督域适应”。预印本，2018年9月22日提交。http://arxiv.org/abs/1809.08495。