resnet18 ();

pretrainedURL =“//www.tatmou.com/金宝appsupportfiles/vision/data/deeplabv3plusResnet18CamVid.mat”；pretrainedFolder = fullfile (tempdir,“pretrainedNetwork”）;pretrainedNetwork = fullfile (pretrainedFolder,“deeplabv3plusResnet18CamVid.mat”）;如果~存在(pretrainedNetwork“文件”mkdir (pretrainedFolder);disp ('下载预训练网络(58mb)…'）;websave (pretrainedNetwork pretrainedURL);结束

imageURL =“http://web4.cs.ucl.ac.uk/staff/g.brostow/MotionSegRecData/files/701_StillsRaw_full.zip”；拉贝鲁尔=“http://web4.cs.ucl.ac.uk/staff/g.brostow/MotionSegRecData/data/LabeledApproved_full.zip”；outputFolder = fullfile (tempdir,“CamVid”）;labelsZip = fullfile (outputFolder,“labels.zip”）;imagesZip = fullfile (outputFolder,“images.zip”）;如果~存在(labelsZip“文件”) | | ~存在(imagesZip“文件”mkdir (outputFolder) disp (“下载16mb CamVid数据集标签……”）;websave (labelsZip labelURL);解压缩(labelsZip fullfile (outputFolder“标签”））;disp (“下载557 MB CamVid数据集图像……”）;websave (imagesZip imageURL);解压缩(imagesZip fullfile (outputFolder“图像”））;结束

imgDir = fullfile (outputFolder,“图像”，701 _stillsraw_full); imds=图像数据存储（imgDir）；

I = readimage (imd, 559);I = histeq(我);imshow(我)

类别=[“天空”“建筑”“极”“路”“路面”“树”“SignSymbol”“篱笆”“汽车”“行人”“自行车”];

labelIDs = camvidPixelLabelIDs ();

labelDir = fullfile (outputFolder,“标签”）;pxds = pixelLabelDatastore (labelDir、类labelIDs);

C=读取图像（pxds，559）；cmap=camvidColorMap；B=labeloverlay（I，C，“ColorMap”,提出);imshow (B) pixelLabelColorbar(提出、类);

台= countEachLabel (pxds)

frequency=tbl.PixelCount/sum（tbl.PixelCount）；bar（1:numel（classes），frequency）xtick（1:numel（classes））xticklabel（tbl.Name）xtickangle（45）ylabel(“频率”）

[imdsTrain，imdsVal，imdsTest，pxdsTrain，pxdsVal，pxdsTest]=分区视频数据（imds，pxds）；

numTrainingImages =元素个数(imdsTrain.Files)

numValImages =元素个数(imdsVal.Files)

numTestingImages =元素个数(imdsTest.Files)

%指定网络镜像大小。这通常与训练图像的大小相同。imageSize = [720 960 3];%指定类的数量。numClasses =元素个数(类);%创建DeepLab v3+。lgraph = deeplabv3plusLayers(imageSize, numClasses，“resnet18”）;

imageFreq =(资源。PixelCount。/ tbl.ImagePixelCount;classWeights = median(imageFreq) ./ imageFreq ./ imageFreq ./ imageFreq ./

pxLayer = pixelClassificationLayer (“名字”，“标签”，“类”资源描述。的名字,“ClassWeights”, classWeights);lgraph = replaceLayer (lgraph,“分类”, pxLayer);

定义验证数据。pximdsVal=像素标签图像数据存储（imdsVal，pxdsVal）；定义培训选项。选择= trainingOptions (“个”，．..“LearnRateSchedule”，“分段”，．..“LearnRateDropPeriod”10．..“LearnRateDropFactor”, 0.3,．..“动量”, 0.9,．..“InitialLearnRate”1 e - 3,．..“L2Regularization”, 0.005,．..“ValidationData”pximdsVal,．..“MaxEpochs”30岁的．..“MiniBatchSize”8．..“洗牌”，“every-epoch”，．..“CheckpointPath”tempdir,．..“详细频率”2.．..“阴谋”，“训练进步”，．..“ValidationPatience”4);

增量= imageDataAugmenter (“随机选择”,真的,．..“RandXTranslation”-10年[10],“RandYTranslation”, -10年[10]);

pximds = pixelLabelImageDatastore (imdsTrain pxdsTrain,．..“DataAugmentation”、增压器);

doTraining = false;如果doTraining [net, info] = trainNetwork(pximds,lgraph,options);其他的data =负载(pretrainedNetwork);网= data.net;结束

I = readimage (imdsTest 35);C = semanticseg(I, net);

我= labeloverlay (C“Colormap”提出,“透明”, 0.4);imshow (B) pixelLabelColorbar(提出、类);

expectedResult = readimage (pxdsTest 35);实际= uint8 (C);预期= uint8 (expectedResult);预计imshowpair(实际)

iou=jaccard（C，expectedResult）；表（类，iou）

pxdsResults = semanticseg (imdsTest净,．..“MiniBatchSize”4.．..“WriteLocation”，tempdir，．..“详细”、假);

指标= evaluateSemanticSegmentation (pxdsResults pxdsTest,“详细”、假);

指标。DataSetMetrics

指标。ClassMetrics

函数labelIDs = camvidPixelLabelIDs ()返回每个类对应的标签id。％CamVid数据集有32个类。将他们分成11个班%原赛格网培训方法[1]。％%这11个类是:%“天空”“建筑”“杆子”“道路”“路面”“树木”“标志符号”，%“栅栏”，“汽车”，“行人”和“自行车”。％% CamVid像素标签id作为RGB颜色值提供。集团成%11个类，并将它们作为M-x-3矩阵的单元数组返回%原始CamVid类名在每个RGB值旁边列出。请注意%以下不包括其他/无效类别。labelIDs = {．..%的“天空”[128 128 128;．..%的“天空”］%“建设”[ 000 128 064;．..%“桥”128 000 000;．..%“建设”064 192 000;．..%“墙”064 000 064;．..%的“隧道”192 000 128;．..%的“拱门”］%“极”[19219128;．..%”Column_Pole”000 000 064;．..%”TrafficCone”］%的道路[ 128 064 128;．..%的“路”128 000 192;．..%”LaneMkgsDriv”192 000 064;．..%“LaneMkgsNonDriv”］%“路面”[000 000 192;．..%“人行道”064 192 128;．..%”ParkingBlock”128 128 192;．..%”RoadShoulder”］%的“树”[128 128 000;．..%的“树”192 192 000;．..%”VegetationMisc”］%”SignSymbol”[192 128 128;．..%”SignSymbol”128 128 064;．..%”Misc_Text”000 064 064;．..%”TrafficLight”］%“栅栏”[ 064 064 128;．..%“栅栏”］%“汽车”[064 000 128;．..%“汽车”064 128 192;．..%”SUVPickupTruck”192 128 192;．..%”Truck_Bus”192 064 128;．..%“训练”128 064 064;．..%”OtherMoving”］%“行人”[064 064 000;．..%“行人”192 128 064;．..%的“孩子”064 000 192;．..%”CartLuggagePram”064 128 064;．..%“动物”］%“自行车”[ 000 128 192;．..%“自行车”192 000 192;．..%”MotorcycleScooter”]};结束

函数pixelLabelColorbar（cmap，类名）%将颜色条添加到当前轴。颜色条已格式化%以显示带有颜色的类名。甘氨胆酸colormap(提出)%添加颜色栏到当前的数字。c=色条(“同伴”甘氨胆酸,);%使用类名作为标记。c、 TickLabels=类名；numClasses=大小（cmap，1）；%中心打勾标签。c.Ticks = 1 / (numClasses * 2): 1 / numClasses: 1;%删除勾号。c.TickLength = 0;结束

函数提出= camvidColorMap ()定义CamVid数据集使用的颜色映射。Cmap = [128 128 128 .%的天空128 0 0%的建筑192 192 192%杆子128 64 128%的道路60 40 222%的人行道上128 128 0%树192 128 128% SignSymbol64 64 128%篱笆64 0 128%的车64 64 0%行人0 128 192%骑自行车];% Normalize between[0 1]。Cmap = Cmap ./ 255;结束

函数[imdsTrain, imdsVal, imdsTest, pxdsTrain, pxdsVal, pxdsTest] = partioncamviddata (imds,pxds)%对CamVid数据进行分区，随机选取60%的数据进行训练。的% rest用于测试。%设置初始随机状态，例如重现性。rng (0);numFiles =元素个数(imds.Files);shuffledIndices = randperm (numFiles);%使用60%的图像进行训练。numTrain = round(0.60 * numFiles);trainingIdx = shuffledIndices (1: numTrain);%使用20%的图像进行验证numVal = round(0.20 * numFiles);valIdx = shuffledIndices (numTrain + 1: numTrain + numVal);%使用其余部分进行测试。testIdx = shuffledIndices (numTrain + numVal + 1:结束);%创建用于培训和测试的图像数据存储。trainingImages = imds.Files (trainingIdx);valImages = imds.Files (valIdx);testImages = imds.Files (testIdx);imdsTrain = imageDatastore (trainingImages);imdsVal = imageDatastore (valImages);imdsTest = imageDatastore (testImages);%提取类和标签ID信息。类= pxds.ClassNames;labelIDs = camvidPixelLabelIDs ();%创建用于训练和测试的像素标签数据存储。trainingLabels = pxds.Files (trainingIdx);valLabels = pxds.Files (valIdx);testLabels = pxds.Files (testIdx);pxdsTrain = pixelLabelDatastore(trainingLabels, classes, labelid);pxdsVal = pixelLabelDatastore(valLabels, classes, labelid);pxdsTest = pixelLabelDatastore(testLabels, classes, labelid);结束