head网络构建实操

• 实验名称

head网络构建实操

• 实验目的  

（1）能完成分类与回归分支的构建；

（2）能完成Mask分支的构建。

• 实验内容

概述：基于Mask R-CNN框架，完成head网络的构建。Mask R-CNN是一种流行的目标检测与实例分割算法，其核心在于head网络，该网络负责分类、回归以及生成分割掩码

具体内容如下：

1. 搭建分类与回归分支：包含两个共享全连接层和两个输出层
2. 搭建Mask分支：包含4个卷积层、1个反卷积层和1个输出层

• 实验器材

MindSpore 1.5.0+

Python 3.7+

Jupyter Notebook

• 实验步骤与结果

(需包含关键步骤及代码)

1.环境准备

输出：

2．构建分类与回归分支

分类与回归分支是Mask R-CNN中的关键部分，负责预测目标的类别、边界框坐标等。在这次实验中，我们构建了包含两个共享全连接层和两个输出层的分支结构

共享全连接层‌：用于提取目标的深层次特征，这些特征将被用于后续的分类和回归任务

输出层‌：一个输出层用于分类任务，预测目标的类别；另一个输出层用于回归任务，预测目标的边界框坐标

输出：

通过这一步骤，我们成功构建了分类与回归分支，为后续的目标检测和实例分割任务奠定了基础

3．构建Mask分支

Mask分支是Mask R-CNN中实现实例分割的关键部分。Mask分支接收来自ROI Align层的特征图，并生成目标的分割掩码。

ROI Align层‌：用于从特征图中提取与候选区域（ROI）对应的特征。

卷积层‌：对提取的特征进行进一步处理，以生成更高层次的特征表示。

反卷积层‌：将高层次的特征上采样到原始图像尺寸，生成分割掩码

 

输出：

通过这一步骤，我们成功构建了Mask分支，实现了对目标的实例分割