主要内容

pointCloudInputLayer

点云输入层

在页面中全部展开

    描述

    点云输入层向网络输入三维点云，并进行数据归一化处理。可以向该层输入任何激光雷达数据，例如二维激光雷达扫描，但数据必须是二维或三维数字数组，如InputSize财产。

    创建

    语法

    层= pointCloudInputLayer (inputSize)
    层= pointCloudInputLayer (inputSize名称=值)

    描述

    例子

    层= pointCloudInputLayer (inputSize）创建具有指定输入大小的点云输入层。的inputSize参数设置InputSize财产。

    层= pointCloudInputLayer (inputSize，名称=值）使用一个或多个名称-值参数指定属性。例如,归一化= " zscore "对层应用z分数归一化。

    属性

    全部展开

    三维点云输入

    输入数据的大小，指定为正整数的向量。您可以指定其中一个选项。

    • 对于无组织点云，将输入大小指定为[米C]。米是点云中的点数。C通道的数量是否必须大于或等于1．

    • 对于有组织的点云，将输入大小指定为形式为[米NC]。米而且N分别表示点云中的行数和列数。C必须为正整数的通道数是否大于或等于1．

    此属性是只读的。

    每次数据通过输入层向前传播时应用的数据归一化，指定为以下之一:

    • “zerocenter”-减去指定的平均值的意思是．

    • “zscore”-减去指定的平均值的意思是然后除以StandardDeviation．

    • “rescale-symmetric”—使用指定的最小和最大值将输入调整到[- 1,1]的范围内最小值而且马克斯,分别。

    • “rescale-zero-one”—使用指定的最小和最大值将输入缩放到[0,1]的范围内最小值而且马克斯,分别。

    • “没有”—不要对输入数据进行规范化处理。

    • 函数句柄——使用指定的函数规范化数据。函数必须符合形式Y = func (X),在那里X是输入数据和输出数据吗Y是规范化数据。

    提示

    默认情况下，软件在训练时自动计算归一化统计量。为节省训练时的时间，请指定规范化所需的统计信息并设置“ResetInputNormalization”(深度学习工具箱)选项trainingOptions(深度学习工具箱)来假．

    数据类型:字符|字符串

    归一化维度，指定为以下之一:

    • “汽车”—如果培训选项为假并且指定任何规范化统计信息(的意思是，StandardDeviation，最小值,或马克斯)，然后对与统计值匹配的维度进行归一化。否则，在训练时重新计算统计数据并应用通道规范化。

    • “通道”——Channel-wise正常化。

    • “元素”——Element-wise正常化。

    • “所有”-使用标量统计将所有值规范化。

    数据类型:字符|字符串

    零中心和z分数归一化的平均值，指定为以下选项之一。

    点云的格式 Element-Wise正常化 Channel-Wise正常化
    散乱点云 米——- - - - - -C数字数组。米点云中的点数，和C是通道数。 1 -C数字数组
    有组织的点云 米——- - - - - -N——- - - - - -C数字数组。米而且N点云中的行数和列数是否分别为和C是通道数。 1-by-1-by -C数字数组

    还可以将此值指定为标量，在这种情况下，函数使用指定的值规范化整个输入数据集。

    请注意

    指定的意思是财产,归一化必须“zerocenter”或“zscore”．如果的意思是是［］，该软件在训练过程中计算平均值。

    您可以在不经过训练的情况下创建网络时设置此属性(例如，在使用assembleNetwork(深度学习工具箱)）.

    数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

    z分数归一化的标准差，指定为以下选项之一。

    点云的格式 Element-Wise正常化 Channel-Wise正常化
    散乱点云 米——- - - - - -C数字数组。米点云中的点数，和C是通道数。 1 -C数字数组
    有组织的点云 米——- - - - - -N——- - - - - -C数字数组。米而且N点云中的行数和列数是否分别为和C是通道数。 1-by-1-by -C数字数组

    还可以将此值指定为标量，在这种情况下，函数使用指定的值规范化整个输入数据集。

    请注意

    指定StandardDeviation财产,归一化必须“zscore”．如果StandardDeviation是［］，然后软件计算训练时的标准差。

    您可以在不经过训练的情况下创建网络时设置此属性(例如，在使用assembleNetwork(深度学习工具箱)）.

    数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

    可缩放的最小值，指定为以下选项之一。

    点云的格式 Element-Wise正常化 Channel-Wise正常化
    散乱点云 米——- - - - - -C数字数组。米点云中的点数，和C是通道数。 1 -C数字数组
    有组织的点云 米——- - - - - -N——- - - - - -C数字数组。米而且N点云中的行数和列数是否分别为和C是通道数。 1-by-1-by -C数字数组

    还可以将此值指定为标量，在这种情况下，函数使用指定的值规范化整个输入数据集。

    请注意

    指定最小值财产,归一化必须“rescale-symmetric”或“rescale-zero-one”．如果最小值是［］，软件计算训练时的最小值。

    您可以在不经过训练的情况下创建网络时设置此属性(例如，在使用assembleNetwork(深度学习工具箱)）.

    数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

    可缩放的最大值，指定为以下选项之一。

    点云的格式 Element-Wise正常化 Channel-Wise正常化
    散乱点云 米——- - - - - -C数字数组。米点云中的点数，和C是通道数。 1 -C数字数组
    有组织的点云 米——- - - - - -N——- - - - - -C数字数组。米而且N点云中的行数和列数是否分别为和C是通道数。 1-by-1-by -C数字数组

    还可以将此值指定为标量，在这种情况下，函数使用指定的值规范化整个输入数据集。

    请注意

    指定马克斯财产,归一化必须“rescale-symmetric”或“rescale-zero-one”．如果马克斯是［］，软件在训练时计算最大值。

    您可以在不经过训练的情况下创建网络时设置此属性(例如，在使用assembleNetwork(深度学习工具箱)）.

    数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

    层

    层名，指定为字符向量或字符串标量。为层数组输入,trainNetwork，assembleNetwork，layerGraph,dlnetwork函数自动为具有此名称的层分配名称”．

    数据类型:字符|字符串

    此属性是只读的。

    层的输入数。该层没有输入。

    数据类型:双

    此属性是只读的。

    输入图层名称。该层没有输入。

    数据类型:细胞

    层的输出数量。该层有一个输出。

    数据类型:双

    此属性是只读的。

    输出层的名称。这个层只有一个输出。

    数据类型:细胞

    例子

    全部折叠

    打开生活的脚本

    使用具有1000点3通道的无组织点云创建点云输入层。

    layer = pointCloudInputLayer([1000 3]，Name=“输入”）
    Name: 'Input' InputSize: [1000 3] Hyperparameters归一化:'none' NormalizationDimension: 'auto'

    版本历史

    介绍了R2022b

    另请参阅

    (深度学习工具箱)|(深度学习工具箱)|||

    主题

    Baidu
    map