Загрузите таблицу, содержащую ограничивающие рамки с метками для транспортных средств.

load('vehicleTrainingData.mat');

Загрузите таблицу, содержащую ограничивающие рамки с метками для стоп-знаков и автомобилей.

load('stopSignsAndCars.mat');

Объединение полей и меток истинности грунта, исключая имена файлов изображения в первом столбце.

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

Создайте боксLabelDatastore, используя 2 таблицы, одна из которых содержит данные этикеток транспортных средств, а другая - данные этикеток стоп-знаков.

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, используя метки и соответствующие счетчики меток.

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

Создайте другую гистограмму, накладывающую соответствующие счетчики изображений.

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

Задайте местоположение изображения и данных метки пикселя.

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

Создание хранилища данных изображения метки пикселя с использованием изображений истинности земли в imds и пиксель, помеченный изображениями в pxds.

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

Таблица счетчиков меток пикселей 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   

Балансирование классов с использованием равномерного предварительного взвешивания.

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

uniformClassWeights = 4×1
10-5 ×

    0.0794
    0.1565
    0.0242
    0.9876

Балансирование классов с использованием обратного частотного взвешивания.

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

invFreqClassWeights = 4×1

    4.8632
    9.5827
    1.4848
   60.4900

Балансируйте классы, используя медианное взвешивание 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

Передача весов класса с использованием взвешивания медианной частоты в слой 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'