Увеличьте данные об облаке точек для глубокого обучения
Этот пример демонстрирует, как установить основной рандомизированный конвейер увеличения данных при работе с данными об облаке точек в основанных на глубоком обучении рабочих процессах. Увеличение данных почти всегда желательно при работе с глубоким обучением, потому что это помогает уменьшать сверхподбор кривой во время обучения и может добавить робастность в типы преобразований данных, которые не могут быть хорошо представлены в исходных обучающих данных.
Импортируйте данные об облаке точек
dataPath = downloadSydneyUrbanObjects(tempdir); dsTrain = sydneyUrbanObjectsClassificationDatastore(dataPath); dataOut = preview(dsTrain)
dataOut=1×2 cell array
{1×1 pointCloud} {[4wd]}
Datastore dsTrain дает к pointCloud возразите и связанная скалярная категориальная метка для каждого наблюдения.
figure
pcshow(dataOut{1});
title(dataOut{2});
Задайте конвейер увеличения
Функция преобразования datastore является удобным инструментом для определения конвейеров увеличения.
dsAugmented = transform(dsTrain,@augmentPointCloud);
augmentPointCloudData функция, показанная ниже, применяет рандомизированное вращение, однородную шкалу, рандомизированное отражение через x-и оси Y, и рандомизировала на дрожание точки к каждому наблюдению с помощью randomAffine3d функционируйте, чтобы создать рандомизированные аффинные преобразования и pctransform функция, чтобы применить эти преобразования к каждому облаку точки ввода.
dataOut = preview(dsAugmented)
dataOut=1×2 cell array
{1×1 pointCloud} {[4wd]}
Это всегда - хорошая идея визуально смотреть данные, которые выходят из любого увеличения, которое сделано на обучающих данных, чтобы убедиться, что данные смотрят как ожидалось. Облако точек ниже совпадает с оригиналом, показанным ранее, но с рандомизированным аффинным деформированием с на добавленное дрожание точки.
figure
pcshow(dataOut{1});
title(dataOut{2});
Получившийся TransformedDatastore и dsAugmented может быть передан функциям глубокого обучения включая trainNetwork, predict, и classify для использования в обучении и выводе.
Вспомогательные Функции
function datasetPath = downloadSydneyUrbanObjects(dataLoc) if nargin == 0 dataLoc = pwd(); end dataLoc = string(dataLoc); url = "http://www.acfr.usyd.edu.au/papers/data/"; name = "sydney-urban-objects-dataset.tar.gz"; if ~exist(fullfile(dataLoc,'sydney-urban-objects-dataset'),'dir') disp('Downloading Sydney Urban Objects Dataset...'); untar(fullfile(url,name),dataLoc); end datasetPath = dataLoc.append('sydney-urban-objects-dataset'); end function ds = sydneyUrbanObjectsClassificationDatastore(datapath,folds) % sydneyUrbanObjectsClassificationDatastore Datastore with point clouds and % associated categorical labels for Sydney Urban Objects dataset. % % ds = sydneyUrbanObjectsDatastore(datapath) constructs a datastore that % represents point clouds and associated categories for the Sydney Urban % Objects dataset. The input, datapath, is a string or char array which % represents the path to the root directory of the Sydney Urban Objects % Dataset. % % ds = sydneyUrbanObjectsDatastore(___,folds) optionally allows % specification of desired folds that you wish to be included in the % output ds. For example, [1 2 4] specifies that you want the first, % second, and fourth folds of the Dataset. Default: [1 2 3 4]. if nargin < 2 folds = 1:4; end datapath = string(datapath); path = fullfile(datapath,'objects',filesep); % For now, include all folds in Datastore foldNames{1} = importdata(fullfile(datapath,'folds','fold0.txt')); foldNames{2} = importdata(fullfile(datapath,'folds','fold1.txt')); foldNames{3} = importdata(fullfile(datapath,'folds','fold2.txt')); foldNames{4} = importdata(fullfile(datapath,'folds','fold3.txt')); names = foldNames(folds); names = vertcat(names{:}); fullFilenames = append(path,names); ds = fileDatastore(fullFilenames,'ReadFcn',@extractTrainingData,'FileExtensions','.bin'); end function dataOut = extractTrainingData(fname) [pointData,intensity] = readbin(fname); [~,name] = fileparts(fname); name = string(name); name = extractBefore(name,'.'); labelNames = ["4wd","bench","bicycle","biker",... "building","bus","car","cyclist","excavator","pedestrian","pillar",... "pole","post","scooter","ticket_machine","traffic_lights","traffic_sign",... "trailer","trash","tree","truck","trunk","umbrella","ute","van","vegetation"]; label = categorical(name,labelNames); dataOut = {pointCloud(pointData,'Intensity',intensity),label}; end function [pointData,intensity] = readbin(fname) % readbin Read point and intensity data from Sydney Urban Object binary % files. % names = ['t','intensity','id',... % 'x','y','z',... % 'azimuth','range','pid'] % % formats = ['int64', 'uint8', 'uint8',... % 'float32', 'float32', 'float32',... % 'float32', 'float32', 'int32'] fid = fopen(fname, 'r'); c = onCleanup(@() fclose(fid)); fseek(fid,10,-1); % Move to the first X point location 10 bytes from beginning X = fread(fid,inf,'single',30); fseek(fid,14,-1); Y = fread(fid,inf,'single',30); fseek(fid,18,-1); Z = fread(fid,inf,'single',30); fseek(fid,8,-1); intensity = fread(fid,inf,'uint8',33); pointData = [X,Y,Z]; end function dataOut = augmentPointCloud(data) ptCloud = data{1}; label = data{2}; % Apply randomized rotation about Z axis. tform = randomAffine3d('Rotation',@() deal([0 0 1],360*rand),'Scale',[0.98,1.02],'XReflection',true,'YReflection',true); % Randomized rotation about z axis ptCloud = pctransform(ptCloud,tform); % Apply jitter to each point in point cloud amountOfJitter = 0.01; numPoints = size(ptCloud.Location,1); D = zeros(size(ptCloud.Location),'like',ptCloud.Location); D(:,1) = diff(ptCloud.XLimits)*rand(numPoints,1); D(:,2) = diff(ptCloud.YLimits)*rand(numPoints,1); D(:,3) = diff(ptCloud.ZLimits)*rand(numPoints,1); D = amountOfJitter.*D; ptCloud = pctransform(ptCloud,D); dataOut = {ptCloud,label}; end