Загрузите таблицу, которая содержит ограничительные рамки с метками для транспортных средств.

load('vehicleTrainingData.mat');

Загрузите таблицу, которая содержит ограничительные рамки с метками для знаков Стоп и автомобилей.

load('stopSignsAndCars.mat');

Объедините основные блоки истинности и метки, исключая имена файла образа в первом столбце.

vehiclesTbl  = vehicleTrainingData(:,2:end);
stopSignsTbl = stopSignsAndCars(:,2:end);

Создайте boxLabelDatastore, который использование 2 таблиц, один с данными о метке транспортного средства и другим со знаками Стоп помечает данными.

blds = boxLabelDatastore(vehiclesTbl,stopSignsTbl);
tbl = countEachLabel(blds)

tbl=4×3 table
     Label      Count    ImageCount
    ________    _____    __________

    vehicle      336        295    
    stopSign      42         41    
    carRear       10          9    
    carFront       9          8    

Создайте график гистограммы с помощью меток и соответствующих количеств метки.

histogram('Categories',tbl.Label,'BinCounts',tbl.Count);

Создайте другую гистограмму, накладывающую соответствующие количества изображений.

hold on;
histogram('Categories',tbl.Label,'BinCounts',tbl.ImageCount);

Установите местоположение изображения и данных о пиксельных метках.

dataDir = fullfile(toolboxdir('vision'),'visiondata');
imDir = fullfile(dataDir,'building');
pxDir = fullfile(dataDir,'buildingPixelLabels');

Создайте пиксельный datastore метки изображений с помощью изображений основной истины в imds и пиксель пометил изображения в pxds.

imds = imageDatastore(imDir);
classNames = ["sky" "grass" "building" "sidewalk"];
pixelLabelID = [1 2 3 4];
pxds = pixelLabelDatastore(pxDir,classNames,pixelLabelID);
pximds = pixelLabelImageDatastore(imds,pxds);

Плоская пиксельная метка рассчитывает в наборе данных.

tbl = countEachLabel(pximds)

tbl=4×3 table
        Name        PixelCount    ImagePixelCount
    ____________    __________    _______________

    {'sky'     }    3.1485e+05       1.536e+06   
    {'grass'   }    1.5979e+05       1.536e+06   
    {'building'}    1.0312e+06       1.536e+06   
    {'sidewalk'}         25313       9.216e+05   

Сбалансируйте классы с помощью универсального предшествующего взвешивания.

prior = 1/numel(classNames);
uniformClassWeights = prior./tbl.PixelCount

uniformClassWeights = 4×1
10-5 ×

    0.0794
    0.1565
    0.0242
    0.9876

Сбалансируйте классы с помощью обратного взвешивания частоты.

totalNumberOfPixels = sum(tbl.PixelCount);
frequency = tbl.PixelCount / totalNumberOfPixels;
invFreqClassWeights = 1./frequency

invFreqClassWeights = 4×1

    4.8632
    9.5827
    1.4848
   60.4900

Сбалансируйте классы с помощью взвешивания медианной частоты.

freq = tbl.PixelCount ./ tbl.ImagePixelCount

freq = 4×1

    0.2050
    0.1040
    0.6714
    0.0275

medFreqClassWeights = median(freq) ./ freq

medFreqClassWeights = 4×1

    0.7538
    1.4852
    0.2301
    5.6252

Передайте веса класса с помощью взвешивания медианной частоты для слоя классификации пикселей.

layer = pixelClassificationLayer('Classes',tbl.Name, ...
  'ClassWeights', medFreqClassWeights)

layer = 
  PixelClassificationLayer with properties:

            Name: ''
         Classes: [sky    grass    building    sidewalk]
    ClassWeights: [4x1 double]
      OutputSize: 'auto'

   Hyperparameters
    LossFunction: 'crossentropyex'