MATLAB环境下利用单目摄像头和语义分割创建占位栅格（occupancy grid）

算法程序主要讲解如何使用深度学习语义分割估计车辆可行驶区域(free space)并创建占位栅格（occupancy grid），然后使用此占位栅格创建车辆代价图（vehicle costmap）。

可行驶区域估计

可行驶区域估计：识别环境中车辆在不撞到任何障碍物（如行人、路缘或其他车辆）的情况下行驶的区域。车辆可以使用各种传感器来估计可行驶区域，例如雷达、激光雷达或摄像头。本例重点介绍如何使用语义分割来估计可行驶区域。

在该代码中，可以学到

1.使用语义图像分割来估计可行驶区域。

2.使用可行驶区域估计值创建占位栅格。

3.在鸟瞰图上可视化占位栅格。

4.使用占位栅格创建车辆代价图vehicle costmap。

5.检查位置是否被占用。

基于深层小波散射网络的图像识别

算法程序主要讲解如何使用深层小波散射网络进行图像分类。对于分类问题，将数据映射到某个“表示域”中通常很有用，该“表示域”弱化不相关的信息，同时保留每个类别的区分属性。而小波散射方法构造了对平移和微小形变不敏感的图像的低方差表示。由于图像中的平移和小变形并不会影响其类别，因此小波散射变换系数提供了可以构建稳健分类模型的特征。小波散射的工作原理是对图像进行一系列小波变换、非线性和平均等级联操作。这种深度特征提取的结果是：在小波散射变换表示中，同一类别的图像彼此靠得更近，而不同类别的图像则相距更远。虽然小波散射变换与深度卷积神经网络在架构上有许多相似之处，包括卷积算子、非线性和平均，但小波散射变换中的滤波器是预先定义且固定的。

数字图像

本文使用的数据集包含10000张从0到9的数字合成图像，当然其他自然图像同样可以，每个数字图像为 28×28 像素。数据集的每个类别包含相同数量的图像。

此外，训练一个简单的卷积神经网络进行对比。构建的CNN包含一个卷积层，卷积层包括20 个5×5滤波器，步幅为 1×1，其后紧接、Relu激活函数层和最大池化层。最后使用全连接层，并使用softmax 将全连接层的输出归一化为概率。 损失函数使用交叉熵损失函数。

训练结束时，CNN在训练集上的表现接近100%，然后对测试集进行测试。

看一下混淆矩阵

小波散射网络在很多小数据集是表现的都很好。接下来将进一步研究基于小波散射网络的EEG信号识别和轴承故障诊断。

MATLAB环境下基于深度学习的多光谱图像语义分割

算法程序主要讲解如何训练U-Net卷积神经网络对7个通道的多光谱图像进行语义分割，7个通道包括3个颜色通道、3个近红外通道和一个掩模通道。需要使用具有计算能力3.0或更高版本的支持CUDA的NVIDIA™GPU（需要并行计算工具箱）。

MATLAB环境下基于深度学习的语义分割

算法程序主要讲解如何使用深度学习网络进行语义分割。语义分割网络对图像中的每个像素进行分类，从而生成按类别分割的图像，该例子将语义分割应用于自动驾驶的道路分割。

为了说明训练过程，该程序训练一个SegNet网络，这是一种用于图像语义分割的卷积神经网络 （CNN）。其他类型的语义分割网络包括全卷积网络（FCN）和U-Net等等。

该程序使用剑桥大学的CamVid 数据集进行训练，数据集包括驾驶时获得的街道视图图像，为32个语义类（包括汽车、行人和道路）提供像素级标签。

同时还使用VGG-16网络的权重初始化SegNet 网络，因此需要安装 VGG-16 网络模型。

ans=11×3 table                  Accuracy      IoU      MeanBFScore                  ________    _______    ___________    Sky           0.93493     0.89244      0.88152      Building      0.79776     0.75263      0.59707      Pole          0.72635     0.18662      0.52252      Road          0.93676     0.90672      0.71043      Pavement      0.90674     0.72865      0.70362      Tree          0.86657     0.73747      0.66421      SignSymbol     0.7559     0.34519      0.43401      Fence         0.82807     0.50592       0.5083      Car           0.91187     0.75001      0.64352      Pedestrian    0.84866     0.35046      0.45551      Bicyclist     0.84705     0.54208      0.46818  

Python环境下基于机器学习（决策树，随机森林）和深度学习（1D-CNN）的汽车变速箱轴承故障诊断

算法程序使用机器学习（决策树，随机森林）和深度学习（1D-CNN）的汽车变速箱轴承进行故障诊断

注意：该程序只有轴承故障数据，没有试验台信息（保密）

故障数据信息如下：label0: 汽车变速箱正常轴承，label1: 汽车变速箱输入轴减速器端轴承内滚道故障 2000rpm，label2: 输入轴电机端轴承内滚道故障 2000rpm，label3: 中间轴减速器端轴承滚子故障 2000rpm，label4: 输入轴减速器端轴承保持架故障 2000rpm

所使用的模块如下

from scipy.io import loadmatimport matplotlib.pyplot as pltfrom sklearn.preprocessing import MinMaxScalerimport numpy as npfrom collections import Counter#pip install pyemdfrom PyEMD import EEMD, EMDimport mathimport pandas as pdfrom tensorflow import kerasfrom tensorflow.keras import layers, models

数据集如下

MATLAB环境下深度学习可解释性（图像局部遮挡敏感性分析，Grad-CAM可解释性分析等）

图像局部遮挡敏感性分析

(Local Interpretable Model-agnostic Explanations,LIME)可解释性分析

(class activation mapping,CAM)可解释性分析

Grad-CAM可解释性分析

面包多代码