Увеличение данных облака точек для глубокого обучения
Этот пример демонстрирует, как настроить основной конвейер увеличения рандомизированных данных при работе с данными облака точек в рабочих процессах на основе глубокого обучения. Увеличение количества данных почти всегда желательно при работе с глубоким обучением, потому что это помогает уменьшить сверхподбор кривой время обучения и может добавить робастность к типам преобразований данных, которые могут быть недостаточно хорошо представлены в исходных обучающих данных.
Импорт данных облака точек
dataPath = downloadSydneyUrbanObjects(tempdir); dsTrain = loadSydneyUrbanObjectsData(dataPath); dataOut = preview(dsTrain)
dataOut=1×2 cell array
{1×1 pointCloud} {[4wd]}
Система datastore dsTrain приводит к pointCloud объект и связанная скалярная категориальная метка для каждого наблюдения.
figure
pcshow(dataOut{1});
title(dataOut{2});
Определите трубопровод увеличения
Функция преобразования datastore является удобным инструментом для определения трубопроводов увеличения.
dsAugmented = transform(dsTrain,@augmentPointCloud);
The augmentPointCloud функция, показанная ниже, применяет рандомизированное вращение, однородную шкалу, рандомизированное отражение через оси X и Y и рандомизированное дрожание на точку к каждому наблюдению с помощью randomAffine3d функция для создания рандомизированных аффинных преобразований и pctransform функция для применения этих преобразований к каждому входному облаку точек.
dataOut = preview(dsAugmented)
dataOut=1×2 cell array
{1×1 pointCloud} {[4wd]}
Всегда рекомендуется визуально просматривать данные, которые получаются из любого увеличения, которое делается на обучающих данных, чтобы убедиться, что данные выглядят должным образом. Облако точек ниже совпадает с исходным вариантом, показанным ранее, но с рандомизированной деформацией аффина с добавлением дрожания на точку.
figure
pcshow(dataOut{1});
title(dataOut{2});
Результат TransformedDatastore и dsAugmented могут быть переданы функциям глубокого обучения, включая trainNetwork, predict, и classify для использования в обучении и выводах.
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 = loadSydneyUrbanObjectsData(datapath,folds) % loadSydneyUrbanObjectsData Datastore with point clouds and % associated categorical labels for Sydney Urban Objects dataset. % % ds = loadSydneyUrbanObjectsData(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 = loadSydneyUrbanObjectsData(___,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