主要内容

pointnetplusLayers

创建pointnet++分割网络

描述

pointnet++是一个神经网络,用于预测无组织激光雷达点云的点标签。该网络将输入点划分为一组簇,然后使用多层感知器(MLP)网络提取特征。要使用此网络进行语义分割,请使用trainNetwork(深度学习工具箱)函数。

例子

lgraph= pointnetplusLayers (numPointspointsDimnumClasses创建一个pointnet++分割网络并返回为lgraph,一个layerGraph(深度学习工具箱)对象。

lgraph= pointnetplusLayers (___名称=值)除前面语法中的输入参数外,还使用一个或多个名称-值参数指定选项。例如,pointnetplusLayers (numPoints pointsDim、numClasses ClusterSize = 32)创建一个pointnet++网络,每个集群中有32个点。

例子

全部折叠

为自定义pointnet++网络定义输入参数。

numPoints = 10000;pointsDim = 3;numClasses = 8;

创建自定义pointnet++网络。

lgraph = pointnetplusLayers(numPoints,pointsDim,numClasses,...NormalizationLayer =“实例”...NumSetAbstractionModules = 3,...NumClusters = 2048,...ClusterRadius = 0.1,...ClusterSize = 32,...PointNetLayerSize = 32);

分析网络analyzeNetwork(深度学习工具箱)函数。

analyzeNetwork (lgraph)

您可以使用trainNetwork(深度学习工具箱)功能,并用于不同的应用程序。要了解有关训练pointnet++网络的更多信息,请参阅基于pointnet++深度学习的航空激光雷达语义分割的例子。

输入参数

全部折叠

输入点云中的点数,指定为正整数。

输入点云数据矩阵的维数,指定为大于或等于的正整数3..矩阵必须包含xyz坐标和任何其他数据,如范围,掩码和强度。

网络必须配置为分类的类数,指定为大于的正整数1

名称-值参数

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名称-值参数必须出现在其他参数之后,但对的顺序无关紧要。

例子:lgraph = pointnetplusLayers(numPoints,pointsDim,numClasses,NumSetAbstractionModules=3);

网络中使用的归一化类型,指定为“批”“实例”

数据类型:字符串|字符

编码器子网的集合抽象模块数目,指定为正整数。解码器子网络包含相同数量的特征传播模块。

将输入点分组到其中的群集数量,指定为正整数。NumClusters的值必须为2的幂,取值范围为[4]NnumPoints),N是集合抽象模块的数量。

这个值指定了第一个集合抽象模块中的集群数量。对于后续的集合抽象模块,该函数自动计算集群的数量为K / 4,在那里K来自前一个集合抽象模块的集群数量。

输入点的聚类半径,指定为范围(0,1]中的正标量。

这个值指定第一个集合抽象模块的集群半径。对于后续的集合抽象模块,该函数自动将集群半径计算为前一个集合抽象模块值的两倍。

每个簇中的点数,指定为正整数。对于每个集合抽象模块中给定的集群半径,该值必须是小于2的幂K / 4(n - 2)K网络中的集群数量和N是集合抽象模块的数量。

这个值在所有集合抽象模块中都是不变的。

集合抽象模块的MLP网络第一层的大小,指定为正整数。每个集合抽象模块都包含一个迷你点网,该点网具有共享MLP网络1——- - - - - -1卷积。共享MLP网络中第一层、第二层和第三层的大小为年代年代2 *年代分别对应于第一,第二和第三卷积层中的滤波器数量。

这个值指定了第一个集合抽象模块的MLP网络中第一层的大小。对于每个后续的抽象模块集合,的值年代是价值的两倍年代从前面的集合抽象模块。

输出参数

全部折叠

输出pointnet++网络,返回为layerGraph(深度学习工具箱)对象。

更多关于

全部折叠

PointNet + +网络

pointnet++网络有一个带有集合抽象模块的编码器子网络,接着是一个带有特征传播模块的解码器子网络。

  • 集合抽象模块使用最远点采样识别新的聚类中心,并使用球查询算法将点分组到聚类中。特征传播模块采用基于k-最近邻算法的逆加权距离对点进行插值。

  • 该功能可以创建具有SSG (single scale group)架构的网络。

  • 该函数使用窄正态权值初始化方法初始化网络中每个卷积层的权值。

  • 该函数将所有偏差项初始化为零。

版本历史

R2021b中引入