pointPillarsObjectDetector

PointPillars オブジェクト検出器

R2021b 以降

説明

pointPillarsObjectDetector オブジェクトは PointPillars オブジェクト検出器を定義します。点群内でオブジェクトを検出するには、学習済みの PointPillars オブジェクト検出器をオブジェクト関数 detect に渡します。

事前学習済みの PointPillars 深層学習ネットワークがある場合は、関数 pointPillarsObjectDetector を使用して pointPillarsObjectDetector オブジェクトを作成できます。

学習データがある場合は、未学習の pointPillarsObjectDetector オブジェクトを作成し、関数 trainPointPillarsObjectDetector を使用してモデルに学習させることができます。

作成

構文

detector = pointPillarsObjectDetector(pcRange,class,anchorBox)

detector = pointPillarsObjectDetector(net,pcRange,class,anchorBox)

detector = pointPillarsObjectDetector(___,Name=Value)

説明

detector = pointPillarsObjectDetector(pcRange,class,anchorBox) は、未学習の PointPillars オブジェクト検出器を作成し、PointCloudRange、ClassNames、AnchorBoxes の各プロパティを設定します。

オブジェクト検出器に学習させるには、それを関数 trainPointPillarsObjectDetector への入力として指定する必要があります。

detector = pointPillarsObjectDetector(net,pcRange,class,anchorBox) は、指定された事前学習済みのネットワーク net を使用して PointPillars オブジェクト検出器を作成します。この構文は、前述の構文のプロパティに加え、Network プロパティを設定します。

detector = pointPillarsObjectDetector(___,Name=Value) は、前述した構文の入力引数の任意の組み合わせに加え、名前と値の引数を使用して ModelName、VoxelSize、NumPillars、NumPointsPerPillar の各プロパティを設定します。たとえば、pointPillarsObjectDetector(pcRange,class,anchorBox,ModelName="customDetector") は、"customDetector" という名前の PointPillars オブジェクト検出器を作成します。

プロパティ

ModelName — オブジェクト検出器の名前

' ' (既定値) | 文字ベクトル | string スカラー

オブジェクト検出器の名前。文字ベクトルまたは string スカラーとして指定します。

このプロパティを設定するには、オブジェクトの作成時に名前と値の引数として指定します。たとえば、pointPillarsObjectDetector(net,pcRange,class,anchorBox,ModelName="customDetector") は、オブジェクト検出器の名前を "customDetector" に設定します。

Network — PointPillars オブジェクト検出ネットワーク

dlnetwork オブジェクト

このプロパティは読み取り専用です。

オブジェクト検出に使用する PointPillars 深層学習ネットワーク。dlnetwork (Deep Learning Toolbox) オブジェクトとして指定します。このプロパティは、オブジェクトの作成時に入力引数 net を使用して設定することもできます。

PointCloudRange — 入力点群の範囲

6 要素の実数値ベクトル

このプロパティは読み取り専用です。

入力点群の範囲。[ xmin xmax ymin ymax zmin zmax ] の形式の 6 要素ベクトルとして指定します。

• xmin と xmax はそれぞれ、x 軸に沿った下限と上限です。

• ymin と ymax はそれぞれ、y 軸に沿った下限と上限です。

• zmin と zmax はそれぞれ、z 軸に沿った下限と上限です。

このプロパティは、オブジェクトの作成時に入力引数 pcRange を使用して設定します。

ClassNames — オブジェクト クラスの名前

categorical ベクトル | string のベクトル | 文字ベクトルの cell 配列

このプロパティは読み取り専用です。

オブジェクト クラスの名前。categorical ベクトル、string のベクトル、または文字ベクトルの cell 配列として指定します。このプロパティは、オブジェクトの作成時に入力引数 class を使用して設定します。

データ型: char | string | categorical | cell

AnchorBoxes — アンカー ボックス

N 行 1 列の cell 配列

このプロパティは読み取り専用です。

アンカー ボックス。N 行 1 列の cell 配列として指定します。N は PointPillars 深層学習ネットワークに含まれるオブジェクト クラスの数です。各セルが、[length width height center angle] の形式のベクトルとしてアンカー ボックスを指定します。

• length、width、height — それぞれアンカー ボックスの長さ、幅、高さを表します。それぞれの値を、正の実数スカラーとしてメートル単位で指定します。

• center — z 軸に沿ったアンカー ボックスの中心を表します。

• angle — z 軸に沿ったアンカー ボックスの向きをラジアン単位で表します。これは LiDAR センサーの yaw 角です。

このプロパティは、オブジェクトの作成時に入力引数 anchorBox を使用して設定します。

データ型: cell

VoxelSize — 柱のサイズ

[0.16 0.16] (既定値) | 2 要素の実数値ベクトル

このプロパティは読み取り専用です。

柱のサイズ。ボクセルの長さと幅をメートル単位で表す [length width] 形式の 2 要素ベクトルとして指定します。

このプロパティを設定するには、オブジェクトの作成時に名前と値の引数として指定します。たとえば、pointPillarsObjectDetector(net,pcRange,class,anchorBox,VoxelSize=[0.16 0.16]) は、ボクセルのサイズを [0.16 0.16] に設定します。

NumPillars — 突出する柱の数

12000 (既定値) | 正のスカラー

このプロパティは読み取り専用です。

突出する柱の数。正のスカラーとして指定します。

このプロパティを設定するには、オブジェクトの作成時に名前と値の引数として指定します。たとえば、pointPillarsObjectDetector(net,pcRange,class,anchorBox,NumPillars=1000) は、柱の数を 1000 に設定します。

NumPointsPerPillar — 柱 1 本あたりの点の最小数

100 (既定値) | 正のスカラー

このプロパティは読み取り専用です。

柱 1 本あたりの点の最小数。正のスカラーとして指定します。

このプロパティを設定するには、オブジェクトの作成時に名前と値の引数として指定します。たとえば、pointPillarsObjectDetector(net,pcRange,class,anchorBox,NumPointsPerPillar=100) は、柱 1 本あたりの点の最小数を 100 に設定します。

オブジェクト関数

detect

Detect objects using PointPillars object detector

拡張機能

C/C++ コード生成

MATLAB® Coder™ を使用して C および C++ コードを生成します。

使用に関するメモと制限:

C コード生成はサポートされていません。

C++ コード生成の場合、次のようになります。

• コード生成では pointPillarsObjectDetector の detect メソッドのみがサポートされています。

• detect メソッドの Threshold、SelectStrongest、および MiniBatchSize の名前と値のペアのみがサポートされています。

• コード生成用に pointPillarsObjectDetector オブジェクトを作成するには、コード生成のための事前学習済みネットワークの読み込み (MATLAB Coder)を参照してください。

GPU コード生成

GPU Coder™ を使用して NVIDIA® GPU のための CUDA® コードを生成します。

使用に関するメモと制限:

コード生成には以下の注意点があります。

• コード生成では pointPillarsObjectDetector の detect メソッドのみがサポートされています。

• detect メソッドの Threshold、SelectStrongest、および MiniBatchSize の名前と値のペアのみがサポートされています。

• コード生成用に pointPillarsObjectDetector オブジェクトを作成するには、コード生成用の事前学習済みのネットワークの読み込み (GPU Coder)を参照してください。

バージョン履歴

R2021b で導入

R2023a: パフォーマンスの改善: 実行時間の短縮

オブジェクト関数 detect では、実行時間が短縮されています。たとえば、次のコードは GPU 環境で前のリリースより約 2 倍高速になっています。

function timingTest
% Load a pretrained PointPillars object detector
pretrainedDetector = load("pretrainedPointPillarsDetector.mat", ...
                     "detector");
detector = pretrainedDetector.detector;

% Read the input point cloud
ptCloud= pcread('highwayScene.pcd');

% Run the detector on the point cloud
gputimeit(@() detect(detector,ptCloud))

end

おおよその実行時間は次のとおりです。

• R2022b: 0.11 秒

• R2023a: 0.05 秒

コードの時間測定は、Linux^® 10、NVIDIA^® RTX A5000 を搭載した AMD^® EPYC 7313 16 コア プロセッサ システムで行いました。

参考

アプリ

• LiDAR ラベラー | LiDAR ビューアー

関数

• trainPointPillarsObjectDetector | pcorganize | pointnetplusNetwork

トピック

• PointPillars 深層学習を使用した LiDAR の 3 次元オブジェクト検出
• PointPillars 深層学習を使用した LiDAR オブジェクト検出用のコード生成
• 球面投影の使用による点群のアンオーガナイズドからオーガナイズドへの変換
• PointPillars 入門
• 深層学習を使用した点群入門
• 深層学習用のデータストア (Deep Learning Toolbox)