学习mask rcnn，day3（残差网络）

FPN层：

将卷积提取特征的图和（原本的图采样后）进行特征融合。因为卷积后图尺寸大小变化了，所以要进行采样（上采样：放大图片，下采样：缩小图片）

1*1卷积：

可以有很多个不同数值的1*1卷积核，对图像进行卷积，得到不同的图像特征。

就是说1*1卷积是改变原图像的通道数量，上图是将192个缩小到32个通道。

残差网络（resnet）：

就是说下一层是由上一层加上残差块形成的，也就是说下一层看到的是上一层的信息加上（上一层经过一些变化后的信息）的和，所以是没有什么损耗的

def res_block_v1(x,input_filter,output_filter):
    res_x=Conv2D(kernel_size=(3,3),filters=output_filter,strides=1,padding='same')(x) #卷积
    res_x=BatchNormalization()(res_x) #归一化
    res_x=Activation('relu')(res_x) #relu激活函数
    res_x=Conv2D(kernel_size=(3,3),filters=output_filter,strides=1,padding='same')(res_x)  #又是一个卷积
    res_x=BatchNormalization()(res_x)  #又是一个归一化
    if input_filter==output_filter:
        identity=x
    else:#需要升维或者降维
       identity=Conv2D(kernel_size=(1,1),filters=output_filter,strides=1,padding='same')(x)
    x=keras.layers.add([identity,res_x]) #两个直接加起来
    output=Activation('relu')(x)
    return output

参考知乎这篇文章https://zhuanlan.zhihu.com/p/42706477