Faster RCNN 添加 ROIPoolingLayer 和SmoothL1LossLayer

最新推荐文章于 2023-04-19 15:02:39 发布
最新推荐文章于 2023-04-19 15:02:39 发布
阅读量5.8k 收藏 4
点赞数
分类专栏： Deep Learning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/helianthus_/article/details/52332002
版权

想要在现有的caffe版本添加ROIPoolingLayer 和SmoothL1LossLayer，首先到这里https://github.com/rbgirshick/caffe-fast-rcnn可以找到他们的定义。caffe添加layer的详细方法在这里可以看到https://github.com/BVLC/caffe/wiki/，然后我们就可以开始啦！！

1.ROIPoolingLayer 和SmoothL1LossLayer的声明与实现：

声明：caffe_root/include/caffe/fast_rcnn_layers.hpp

实现：caffe_root/src/caffe/layers/roi_pooling_layer.cpp

    caffe_root/src/caffe/layers/roi_pooling_layer.cu

    caffe_root/src/caffe/layers/smooth_L1_loss_layer.cpp

    caffe_root/src/caffe/

最低0.47元/天 解锁文章
Helianthus_
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
学习Faster R-CNN代码roi_pooling
smallwhite620451的博客
09-15 461
转自：https://www.cnblogs.com/wind-chaser/p/11355002.html 了解一下roi_pooling/src/roi_pooling.c中C代码： 1.关于头文件TH/TH.h #include<TH/TH.h>包括了 pytorch C 代码数据结构和函数的声明，这是pytorch底层接口。 2.roi_pooling_forward的参数 1 int roi_pooling_forward(int pooled_height, int poo
faster rcnn中Roi pooling层的个人理解
热门推荐
gbyy42299的博客
05-17 2万+
每次看Faster rcnn的paper都能收获到不少东西，所以这个博客的目的就是为了记录自己看这篇paper的过程中的一些理解。本文为自己根据大家的博客的内容摘取和自己的理解汇合完成：Faster rcnn的整体构架：训练的大致过程：1、图片先缩放到MxN的尺寸，之后进入vgg16后得到（W/16，H/16）大小的feature map；2、对于得到的大小为（W/16，H/16）的feature...
faster-rcnn中ROI_POOIING层的解读
weixin_34306676的博客
10-23 85
在没有出现sppnet之前，RCNN使用corp和warp来对图片进行大小调整，这种操作会造成图片信息失真和信息丢失。sppnet这个模型推出来之后（关于这个网络的描述，可以看看之前写的一篇理解：http://www.cnblogs.com/gongxijun/p/7172134.html），rg大神沿用了sppnet的思路到他的下一个模型中fast-rcnn中，但是roi_pooling和spp...
学习：faster rcnn中Roi pooling层
czp_374的博客
04-09 228
添加链接描述
Fast R-CNN与ROI Pooling
yiran103的专栏
06-12 6678
不同于图像分类，在物体检测任务中一幅图片上出现的目标数量和大小是任意的；与之相矛盾的是全连接层只能接受固定大小的输入。R-CNN首先提取建议区域（约2000），裁剪缩放到固定大小；然后将所有候选区域送入卷积网络进行分类和回归。显然，以上做法是非常耗时且低效的。候选区域之间存在大量重叠，这意味着提取的卷积特征包含大量冗余。 借助于RoI pooling，Fast R-CNN可以复用卷积特征。考虑到...
FasterRCNN-pytorch:FasterRCNN在VGG，ResNet和FPN基础中实现
05-13
FasterRCNN在VGG，ResNet和FPN基础中实现。 参考： rbg的FasterRCNN代码： : 模型表现 在VOC2017上进行培训在VOC2017上进行测试 骨干 地图 VGG16 0.7061 ResNet101 0.754 训练模型 1.运行前，您需要： 光盘....
已经训练好tensorflow的Faster RCNN模型下载.7z
08-09
Faster RCNN（Fast Region-based Convolutional Network）是一种在计算机视觉领域广泛应用的目标检测算法，它在R-CNN（Region-based Convolutional Network）的基础上进行了优化，显著提升了目标检测的速度和性能。...
FasterRCNN视频讲解-1.2 FasterRCNN 代码实现
03-13
这个视频教程将详细解析Faster R-CNN的工作原理和代码实现，以中文讲解的方式帮助观众更好地理解和应用这一技术。 Faster R-CNN的核心改进在于引入了区域提议网络（Region Proposal Network, RPN），这使得目标检测...
FasterRCNN_SpringEdition:FasterRCNN Windows C ++库（包括训练和检测）所有依赖项都包括在内
04-27
您只需要1个头文件，即可通过FasterRCNN进行检测。 最新消息 2018-03-15。 ：修复python进程泄漏。 减小exe文件大小。 2017-11-14 ：删除无用的信息（例如DeviceSelector） 2017年10月14日。 ：支持unicode（韩文...
FasterRcnn原理详解
06-16
3. **RoI池化层（Region of Interest Pooling）**: 这是Faster R-CNN中的关键组件，它将不同大小的提议框转换为固定尺寸的特征表示，使得后续的全连接层可以处理。 ### Faster R-CNN的网络结构 Faster R-CNN的网络...
Faster-RCNN（一）之ROI Pooling层
xue_csdn的博客
08-04 1234
Faster-RCNN可看作是在Fast-RCNN的基础上，加了RPN层。其网络结构如下图所示（图片源于网络 https://www.cnblogs.com/zyly/p/9247863.html）： 图1 其实在Fast-RCNN阶段就出现了ROI Pooling层，弥补了R-CNN阶段“将输入图片缩放为统一大小”的缺点，避免将图片拉伸变形，提高检测精度。但是在ROI Pooling之后的F...
Faster RCNN系列5——RoI Pooling与全连接层
python_plus的博客
04-19 593
参考《深度学习之Pytorch物体检测实战》
Faster RCNN源码解读（3）RoI Pooling
weixin_44929101的博客
04-24 563
前言 今天讲最后几部分，首先我们一起学习RoI Pooling部分，先让我们看一下原理： 先来看一个问题：对于传统的CNN（如AlexNet和VGG），当网络训练好后输入的图像尺寸必须是固定值，同时网络输出也是固定大小的vector or matrix。如果输入图像大小不定，这个问题就变得比较麻烦。有2种解决办法： 从图像中crop一部分传入网络 将图像warp成需要的大小后传入网络 可以看到无...
ROI Pooling在Faster-RCNN中的应用理解
ziqingnian的博客
09-27 953
Faster-RCNN流程图： 在Faster-Rcnn中使用了ROI pooling，原本我以为只是一种升级版的warped，只是将图片进行缩放到一个合适的大小进行输入，后来发现还是具有很大的不同 假设原输入图像大小为800*800，经过CNN后输出feature map大小为50*50，其中原图中红色框对应为图像经CNN后再经过RPN网络输出的其中一个proposal ROI，在原图中表现为665*665,在feature map上的大小为41*41 Roi-Pooling的输入就是fea
Faster Rcnn源码阅读之Roi_pooling 层
luodezhao123的博客
01-18 322
note
Faser-RCNN之ROIPooling详解
weixin_47142735的博客
06-06 2099
在Faster-rcnn中，ROIPooling的作用是将原图像上不同大小的proposal映射到特征图上同等大小的区域，以便后面进行分类和回归预测。既然是pooling,它的本质也是一种最大池化。那么究竟是如何映射的呢？ 可以通过代码来了解一下 这个是roi的代码部分，其中输入feature是网络输出的特征图，proposal是RPN网络生成的，并且经过筛选的候选框，image_shapes是原始图像的尺寸。输出就是经过roi之后固定区域的候选框。 通过debug来详细看一下各个部分的形状 featur
SSD网络解析之SmoothL1LossLayer层
qq_21368481的博客
08-23 3066
SSD网络中的SmoothL1LossLayer层借鉴于Fast R-CNN，用于计算smooth L1损失，其中的光滑L1函数如下：                                                                其导函数为：                                                           ...
smoothl1函数_r-cnn学习（五）：SmoothL1LossLayer论文与代码的结合理解
weixin_33922644的博客
02-04 188
#include "caffe/fast_rcnn_layers.hpp"namespace caffe {//SmoothL1前向计算(3)式template__global__ void SmoothL1Forward(const int n, const Dtype* in, Dtype*out,Dtype sigma2) {// f(x) = 0.5 * (sigma * x)^2 ...
【深度学习】【目标检测】损失函数smooth L1 Loss
Hana
10-16 1321
pytorch之常用Loss函数总结参考文档L1、L2、smooth L1 Losssoftmax_cross_entropy_with_logitssparse_softmax_cross_entropy_with_logitsbinary_cross_entropysigmoid_cross_entropy 参考文档 参考文档 参考文档 L1、L2、smooth L1 Loss softmax...
faster rcnn中RoI Pooling详细过程及代码实现
最新发布
05-02
RoI Pooling是Faster R-CNN中提出的一种特征提取方法，用于从卷积层特征图中提取感兴趣区域（Region of Interest，简称RoI）的特征表示。RoI Pooling的主要目的是将不同大小的RoI映射为固定大小的特征图，从而方便后续的分类和回归任务。 RoI Pooling的过程可以分为以下几个步骤： 1. 对于每个RoI，根据其在原始图像中的坐标信息，在特征图上对应的位置计算出RoI在特征图上的坐标信息。 2. 将RoI在特征图上的坐标信息分别向下取整和向上取整，得到RoI对应的四个顶点在特征图上的坐标信息。 3. 将RoI在特征图上的区域分割为固定大小的子区域，将每个子区域内的特征值进行最大池化操作，得到每个子区域的最大特征值。 4. 将每个子区域的最大特征值作为RoI的特征表示。 下面是RoI Pooling的代码实现： ```python import torch.nn.functional as F class RoIPool(nn.Module): def __init__(self, output_size): super(RoIPool, self).__init__() self.output_size = output_size def forward(self, features, rois): batch_size, channels, height, width = features.size() num_rois = rois.size()[0] output = torch.zeros((num_rois, channels, self.output_size, self.output_size)) for i, roi in enumerate(rois): # 计算roi在feature map上的位置 x1, y1, x2, y2 = roi.detach().numpy() roi_width = max(x2 - x1 + 1, 1) roi_height = max(y2 - y1 + 1, 1) x_step = roi_width / self.output_size y_step = roi_height / self.output_size # 计算每个子区域的位置 for h in range(self.output_size): for w in range(self.output_size): x_start = int(x1 + w * x_step) y_start = int(y1 + h * y_step) x_end = int(x_start + x_step) y_end = int(y_start + y_step) x_start = min(max(x_start, 0), width - 1) x_end = min(max(x_end, 0), width - 1) y_start = min(max(y_start, 0), height - 1) y_end = min(max(y_end, 0), height - 1) # 对每个子区域进行最大池化操作 sub_feature = features[:, :, y_start:y_end+1, x_start:x_end+1] output[i, :, h, w] = F.max_pool2d(sub_feature, kernel_size=sub_feature.size()[2:]) return output ``` 该实现中，输入的features是特征图，rois是感兴趣区域的坐标信息。输出的是RoI Pooling后的特征表示。具体实现中，我们首先计算每个RoI在特征图上的位置，然后将每个RoI划分为固定大小的子区域，对每个子区域内的特征值进行最大池化操作，得到每个子区域的最大特征值作为RoI的特征表示。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值