conv1:这个部分是ResNet的起始卷积层。它接受输入图像的通道数为3(RGB图像),输出通道数为64,使用3x3的卷积核进行卷积操作,使用padding为1保持输入输出尺寸一致。然后通过批标准化(Batch Normalization)和ReLU激活函数进行处理。
conv2:这一部分是第一个卷积块。它接收输入通道数为64,输出通道数为128。同样使用3x3的卷积核进行卷积操作,padding为1,然后经过批标准化和ReLU激活函数的处理。此外,还包括一个最大池化层(MaxPool2d)来降低特征图的尺寸,使用4x4的池化窗口进行降采样,步长与窗口大小相同。
res1:这是第一个残差块。它包含两个子块,每个子块都有两个卷积层。每个子块的输入通道数和输出通道数都为128。每个卷积层使用3x3的卷积核进行卷积操作,padding为1,然后经过批标准化和ReLU激活函数的处理。两个子块的输出与输入相加,这样可以学习到残差信息。
conv3:这是第二个卷积块。它接收输入通道数为128,输出通道数为256。同样使用3x3的卷积核进行卷积操作,padding为1,然后经过批标准化和ReLU激活函数的处理。再次使用最大池化层来降低特征图的尺寸。
conv4:这是第三个卷积块,与conv3类似,只是输入通道数为256,输出通道数为512。同样使用3x3的卷积核进行卷积操作,padding为1,然后经过批标准化和ReLU激活函数的处理。再次使用最大池化层来降低特征图的尺寸。
res2:这是第二个残差块,与res1类似,包含两个子块,每个子块都有两个卷积层。每个子块的输入通道数和输出通道数都为512。每个卷积层使用3x3的卷积核进行卷积操作,padding为1,然后经过批标准化和ReLU激活函数的处理。两个子块的输出与输入相加。
classifier:这是分类器部分。它包含一个最大池化层,使用4x4的池化窗口进行降采样。然后通过展平操作(Flatten)将特征图转换成一维向量。最后,使用一个全连接层(Linear)将输入映射到输出类别的数量,即512个输入特征对应38个输出类别。
基于深度学习的农作物叶子病虫害检测python源码
于 2023-09-20 02:05:32 首次发布