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。

可选的

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('主持人'）;envcfg.deeplibtarget =“cudnn”;envcfg.deepcodegen = 1;Envcf​​g.quiet = 1;Coder.CheckGpuInstall（Envcf​​g）;

分段网络

SqueezeSegV2是一种卷积神经网络（CNN）设计用于有组织的激光雷达点云的语义分割。它是一个在激光雷达数据集上训练并导入MATLAB®进行推理的深度编码器-解码器分割网络。在SqueezeSegV2中，编码器子网络由卷积层组成，卷积层中穿插着最大池层。这种排列顺序依次减少s输入图像的分辨率。解码器子网络由一系列转置卷积层组成，这些层依次提高输入图像的分辨率。此外，SqueezeSegV2网络通过包括上下文聚合模块（CAM）减轻丢失数据的影响.CAM是一个卷积子网络，具有值为[7,7]的filterSize，可从更大的感受域聚合上下文信息，从而提高网络对缺失数据的鲁棒性。本例中的SqueezeSegV2网络经过训练，可分割属于三类（背景、汽车和卡车）的点。

有关使用Mathworks Lidar DataSet在Matlab®中培训语义分段网络的更多信息，请参阅使用POINSEG深度学习网络的LIDAR点云语义分割。

下载佩带的SqueezESEGv2网络。

net = getsqueezesegv2net（）;

正在下载预训练挤压SEGV2（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，请使用分析网络（深度学习工具箱）功能。

分析（网）;

squeezesegv2_predict.入学点函数

这挤压segv2_.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.函数从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'）;

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。当调用该函数时随后的时间，同样的目的是％重复使用，以呼叫预测输入端上的，从而避免了重建和％重装网络对象。％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

为此生成CUDA MEX代码挤压segv2_.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++。coder.deeplearningconfig（GPU编码器）函数创建一个CUDNN.深度学习配置对象并将其分配给深度学习配置GPU代码配置对象的属性。跑过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（'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

若要生成利用Nvidia TunSRRT库的CUDA C++代码，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 =缺陷（'outerlidardrivingdata.pcd'）;i = pointcloudtoimage（ptcloud）;%检查转换的数据谁是一世

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。

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

在数据上运行生成的mex

称呼squeezesegv2_predict_mex.在五通道图像上。

预测得分=挤压SEGV2预测mex（I）；

这预测大学分数变量是一个三维矩阵，它有三个通道，对应于每个类的像素级预测分数。使用最大预测分数计算通道以获得像素级标签

[〜，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”];cmap = lidarcolormap（）;segmentedimage = labeloverlay（InthenseShannel，Argmax，“彩色地图”，CMAP）;segmentedimage = imresize（semmentedimage，“规模”, [2 1],“方法”那“最近的”）;数字;imshow（semmentedimage）;n = numel（类）;蜱= 1 /（n * 2）：1 / n：1;彩色杆（“滴答声标签”，cellstr（类别），“滴答声”，蜱虫，“滴答声长度”,0,'ticklabelinterpreter'那'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

读取一个输入点云序列。该序列包含10个点云点云使用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。

datafile ='highwayscenedata.mat';%在工作区中加载数据。加载（数据文件）;

设置不同的颜色，可视化不同类别的点心标签。

％将颜色涂抹于汽车。carClassCar=0（6410243，'uint8'）;Carclasscar（：，：，1）= 255 *那些（64,1024，'uint8'）;％将颜色蓝色涂抹到卡车上。truckClassColor=0（64，1024，3，'uint8')；truckClassColor（：，：，3）=255*one（641024，'uint8'）;％将颜色灰色应用于背景。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，'父母'),“单位”那'标准化'那“外置”,[0 0 1 1]); 缩放（获取）（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）;％呼叫Squeezesegv2_predict_mex在5通道图像上。预测得分=挤压SEGV2预测mex（I）；%将数字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=预测输出==“汽车”；卡车里程=预计产量==“卡车”;backgressionIndices = predigeOutput =='背景';％提取每个类的点云。carpointcloud = select（ptcloud，carindices，'输出'那'满的'）;TruckPointCloud = Select（Ptcloud，Truckindices，'输出'那'满的'); backgroundPointCloud=选择（ptCloud、BackgroundIndex、，'输出'那'满的'）;％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。视图（播放器，彩色云）；drawnow；结尾

辅助函数

在此示例中使用的辅助功能遵循。

类型pointcloudtoimage.m.

函数image=pointCloudToImage（ptcloud）%pointCloudToImage将有组织的三维点云转换为5通道%2-D图像。图像=ptcloud.Location；图像（：，：，：，4）=ptcloud.Intensity；rangeData=IComputerRangeData（图像（：，：，1），图像（：，：，2），图像（：，，：，3））；图像（，，，：，5）=范围数据；%转换为uint8。图像=uint8（图像）；end%-------------------------------------------------------------函数rangeData=IComputerRangeData（xChannel，yChannel，zChannel）rangeData=sqrt（xChannel.*xChannel+yChannel.*yChannel+zChannel.*zChannel）；结束

类型利达科洛玛

函数cmap=lidarColorMap（）cmap=[0.00 0.00 0.00%背景0.98 0.00 0.00%汽车0.00 0.00%卡车]；结束

参考

[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。