Anchor Free系列模型09

最新推荐文章于 2023-02-24 20:56:06 发布

SealedHeart

最新推荐文章于 2023-02-24 20:56:06 发布

阅读量391

点赞数 1

分类专栏：笔记文章标签：深度学习 pytorch cnn

本文链接：https://blog.csdn.net/j98548/article/details/122182194

版权

本文详细介绍了DLASeg如何在CenterNet中作为骨干网络提升空间分辨率，通过结合Deformable Convolution和 Upsample层进行信息提取。重点讨论了负责上采样的代码段，特别是DLAUP和IDAUP类，它们利用可变形卷积和转置卷积实现网络解码和空间分辨率的提高。

摘要由CSDN通过智能技术生成

2021SC@SDUSC
CenterNet的骨干网络之DLASeg（接上文）

DLA
Tree是DLA最重要的模块，Tree搞定之后，DLA就按顺序拼装即可。

class DLA(nn.Module):
    '''
    DLA([1, 1, 1, 2, 2, 1],
        [16, 32, 64, 128, 256, 512],
        block=BasicBlock, **kwargs)
    '''
    def __init__(self, levels, channels, num_classes=1000,
                 block=BasicBlock, residual_root=False, return_levels=False,
                 pool_size=7, linear_root=False):
        super(DLA, self).__init__()
        self.channels = channels
        self.return_levels = return_levels
        self.num_classes = num_classes
        self.base_layer = nn.Sequential(
            nn.Conv2d(3, channels[0], kernel_size=7, stride=1,
                      padding=3, bias=False),
            BatchNorm(channels[0]),
            nn.ReLU(inplace=True))
        # 在最初前两层仅仅使用卷积层
        self.level0 = self._make_conv_level(
            channels[0], channels[0], levels[0])
        self.level1 = self._make_conv_level(
            channels[0], channels[1], levels[1], stride=2)
        '''
        if level_root:
            root_dim += in_channels
        '''
        self.level2 = Tree(levels[2], block, channels[1], channels[2], 2,
                           level_root=False, root_residual=residual_root)
        self.level3 = Tree(levels[3], block, channels[2], channels[3], 2,
                           level_root=True, root_residual=residual_root)
        self.level4 = Tree(levels[4