第三方的先决条件

要求

本例生成CUDA MEX，并具有以下第三方需求。

可选

对于非mex构建，如静态、动态库或可执行程序，此示例具有以下附加要求。

验证GPU环境

使用coder.checkGpuInstall函数来验证运行此示例所需的编译器和库是否已正确设置。

envCfg = code . gpuenvconfig (“主机”）;envCfg。DeepLibTarget =“cudnn”；envCfg。DeepCodegen = 1;envCfg。安静= 1;coder.checkGpuInstall (envCfg);

分割网络

SegNet[1]是一种用于语义图像分割的卷积神经网络(CNN)。它是一个在CamVid[2]数据集上训练的深度编码器-解码器多类像素分割网络，并导入MATLAB®进行推理。SegNet[1]被训练为属于11类的像素，包括天空，建筑，极点，道路，人行道，树，标志符号，栅栏，汽车，行人和自行车。

有关使用CamVid[2]数据集在MATLAB中训练语义分割网络的信息，请参见基于深度学习的语义分割(计算机视觉工具箱)．

的segnet_predict入口点函数

的segnet_predict.m入口点函数接受一个图像输入，并使用保存在SegNet.mat文件。对象加载网络对象SegNet.mat文件到一个持久变量mynet并在后续的预测调用中重用持久变量。

类型(“segnet_predict.m”）

The MathWorks, Inc. persistent mynet;if isempty(mynet) mynet = code . loaddeeplearningnetwork ('SegNet.mat');End %传入输入输出= predict(mynet,in);

获取预训练的SegNet DAG网络对象

net = getSegNet();

DAG网络包含91层，包括卷积、批处理归一化、池化、解池化和像素分类输出层。使用analyzeNetwork(深度学习工具箱)功能显示深度学习网络架构的交互式可视化。

analyzeNetwork(净);

运行MEX代码生成

生成CUDA代码segnet_predict.m入口点函数，为MEX目标创建一个GPU代码配置对象，并将目标语言设置为c++。使用编码器。DeepLearningConfig函数来创建CuDNN的深度学习配置对象，并将其分配给DeepLearningConfig属性的图形处理器代码配置对象。运行codegen指定输入大小为[360,480,3]的命令。的输入层大小对应SegNet．

cfg = code .gpu config (墨西哥人的）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“cudnn”）;codegen配置cfgsegnet_predictarg游戏{(360480 3 uint8)}报告

代码生成成功:查看报告

运行生成的MEX

加载并显示输入图像。调用segnet_predict_mex在输入图像上。

我的意思是:“gpucoder_segnet_image.png”）;imshow (im);

Predict_scores = segnet_predict_mex(im);

的predict_scoresVariable是一个三维矩阵，它有11个通道，对应于每个类的像素级预测分数。通过使用最大预测分数来计算通道以获得按像素划分的标签。

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

将分割后的标签覆盖在输入图像上，显示分割后的区域。

Classes = [“天空”“建筑”“极”“路”“路面”“树”“SignSymbol”“篱笆”“汽车”“行人”“自行车”];cmap = camvidColorMap();SegmentedImage = labeloverlay(im,argmax，“ColorMap”,提出);图imshow (SegmentedImage);pixelLabelColorbar(提出、类);

参考文献

Badrinarayanan, Vijay, Alex Kendall和Roberto Cipolla。SegNet:一种用于图像分割的深度卷积编码器-解码器架构。arXiv预打印:1511.00561，2015.

[2]布罗斯托，加布里埃尔·J.，朱利安·福克尔，罗伯托·西波拉。“视频中的语义对象类:一个高清地面真相数据库。”模式识别信2009年第2期第30卷第88-97页。