第三方先决条件

要求的

这个例子生成CUDA MEX，并具有以下第三方要求。

可选

对于非MEX构建，如静态、动态库或可执行文件，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（GPU编码器）函数。

envcfg = coder.gpuenvconfig（“主持人”）;envCfg。DeepLibTarget ='cudnn'；envCfg.DeepCodegen=1；envCfg.Quiet=1；coder.checkGpuInstall（envCfg）；

分段网络

SqueezeSegV2是专为举办激光雷达点云的语义分割卷积神经网络（CNN）。这是训练上的激光雷达数据集，并将其导入MATLAB®用于推断一个深编码器 - 解码器分割网络。在SqueezeSegV2，编码器子网由被穿插MAX-池层卷积层。这种安排先后减小输入图像的分辨率。解码器子网由一系列转置卷积层，其中连续地增加输入图像的分辨率。此外，SqueezeSegV2网络减轻丢失的数据通过包括上下文聚合模块（凸轮）的影响。甲CAM是卷积子网与值filterSize [7,7]，其从较大的感受域，这提高了网络的缺少数据的鲁棒性的聚集体的上下文信息。该SqueezeSegV2网络在这个例子中被训练到属于三类（背景，汽车和卡车）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，请参阅基于PointSeg深度学习网络的激光雷达点云语义分割（激光雷达工具箱）．

下载预训练挤压SEGV2网络。

net=getSqueezeSegV2Net（）；

下载预训练SqueezeSegV2（2 MB）...

DAG网络包含238层，包括卷积、ReLU和批量归一化层，以及焦点损失输出层。要显示深度学习网络架构的交互式可视化，请使用analyzeNetwork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挤压SEGV2NET.mat文件。该函数从加载网络对象挤压SEGV2NET.mat文件到持久变量中mynet和重新使用在随后的预测呼叫的持久变量。

类型(“squeezesegv2_predict.m”）;

功能输出=挤压SEGV2_预测（输入）%#codegen%mynet持久对象用于加载DAG网络对象。首次调用此函数时，%构造并设置持久对象。后续调用此函数时，%重用同一对象以调用predict on inputs，从而避免重新构建和%重新加载网络对象。%Copyright 2020MathWorks，Inc.持久mynet；如果isempty（mynet）mynet=coder.loadDeepLearningNetwork（'SqueezeSegV2Net.mat'）；end%传入输出=预测（mynet，in）；

生成CUDA MEX代码

的CUDA MEX代码squeezesegv2_predict.m入口点函数，用于创建一个MEX目标一个GPU代码配置对象和目标语言设置为C ++。使用coder.DeepLearningConfig（GPU编码器）函数来创建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，指定输入大小[64，1024，5]。此值对应于SqueezeSegV2网络输入层的大小。

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

为了产生CUDA C ++代码，需要NVIDIA TensorRT文库的优点，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=pcread('ousterLidarDrivingData.pcd'）;I = pointCloudToImage (ptCloud);％检查转换的数据谁我

名称大小字节类属性我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。

intensityChannel = I（：，：，4）;图;imshow（intensityChannel）;标题（“强度图像”）;

在数据上运行生成的MEX

调用挤压SEGV2_预测_mex在五个通道图像。

predict_scores = squeezesegv2_predict_mex（I）;

的predict_scores变量是具有对应于每个类别的逐像素预测分数三个通道的三维矩阵。通过使用最大预测得分，以获得逐像素标签计算信道

[~，argmax]=max（预测分数，[]，3）；

将分割标签覆盖在“强度通道”图像上，并显示分割区域。调整分割输出的大小并添加颜色栏，以实现更好的可视化效果。

类别=[“背景”“汽车”“卡车”];提出= lidarColorMap ();SegmentedImage = labeloverlay (intensityChannel argmax,“颜色表”，cmap）；分段图像=调整大小（分段图像，'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”)；彩色地图（cmap）标题(“语义分割结果”）;

在点云序列上运行生成的MEX代码

读取输入的点云序列。该序列包含10个有组织的点云使用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。

数据文件=“highwaySceneData.mat”；％在工作空间中加载数据。负载(功能);

设置不同的颜色以可视化不同兴趣类别的逐点标签。

给汽车涂上红色。carClassCar =零（64，1024，3，“uint8”）;carClassCar(:，: 1) = 255*ones(64, 1024, 1)“uint8”）;将蓝色应用于卡车。truckClassColor = 0 (64, 1024, 3，)“uint8”）;truckClassColor（：，：，3）= 255吨*酮（64，1024，“uint8”）;给背景添加灰色。backgroundClassColor=153*个，“uint8”）;

设置pcplayer函数属性以显示序列和输出预测。逐帧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];玩家= pcplayer（xlimits，ylimits，zlimits）;集（得到（player.Axes，“父”），'单位'，“归一化”，'outerposition'，[0 0 1 1]）;放大（获得（player.Axes，“父”), 2);集(球员。轴,“XColor”，“没有”，'YColor'，“没有”，'ZColor'，“没有”）;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);%在5通道图像上调用squeezesegv2_predict_mex。predict_scores = squeezesegv2_predict_mex（I）;％转换数字输出值分类标签。[~, predictedOutput] = max (predict_scores [], 3);predictedOutput = categorical(predictedOutput, 1:3, classes);%从标签中提取索引。carIndices = predictedOutput =='车'；truckIndices = predictedOutput =='卡车'；backgrounddindices = predictedOutput ==“背景”；为每个类提取一个点云。carPointCloud = select(ptCloud, carIndices，“OutputSize”，“满”）;truckPointCloud = select(ptCloud, truckIndices，“OutputSize”，“满”）;backgroundPointCloud =选择（ptCloud，backgroundIndices，“OutputSize”，“满”）;%填充颜色到不同的类。carPointCloud。颜色= carClassCar;truckPointCloud。颜色= truckClassColor;backgroundPointCloud。颜色= 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。视图（播放器，coloredCloud）;的DrawNow;结束

辅助函数

下面是本示例中使用的helper函数。

类型pointCloudToImage.m

功能图像= pointCloudToImage（ptcloud）％pointCloudToImage将转换组织3-d点云到5通道％2-d的图像。图像= ptcloud.Location;图像（：，：，4）= ptcloud.Intensity;rangeData = iComputeRangeData（图像（：，：，1），图像（：，：，2），图像（：，：，3））;图像（：，：，5）= rangeData;％施法至UINT8。图像= UINT8（图像）;结尾 ％ -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  -  ---------------------------功能rangeData = iComputeRangeData（xChannel广告，yChannel，zChannel）rangeData = SQRT（xChannel广告。* xChannel广告+ yChannel。* yChannel+ zChannel * zChannel）。结束

类型lidarColorMap.m

功能CMAP = lidarColorMap（）CMAP = [0.00 0.00 0.00％0.98背景0.00 0.00％车0.00 0.00 0.98％卡车];结束

工具书类

[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。