aspp

最新推荐文章于 2024-06-24 12:45:00 发布
最新推荐文章于 2024-06-24 12:45:00 发布
阅读量3.2k 收藏
点赞数
分类专栏： pytorch知识宝典
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/jacke121/article/details/111306323
版权
本文介绍了深度学习中用于增强模型特征提取能力的SPP、RFB和ASPP结构。SPP解决了固定尺寸输入的问题，RFB通过模拟人类视觉感受野提升目标检测性能，而ASPP在语义分割任务中表现出色，通过空洞卷积捕获不同尺度信息。这些结构常被用于目标检测和语义分割模型中。
摘要由CSDN通过智能技术生成

用法：pc上20ms

    aspp = ASPP(320, [3, 6, 9])


    input = torch.randn(2, 320, 10, 10)

    # torch.onnx.export(pelee_net, input, "pelee_net.onnx", verbose=True)


    for i in range(10):
        start=time.time()

        # x, *shortcuts = net(input)

        # print(time.time()-start,x.shape)
        start = time.time()
        x=aspp(input)
        print(2,time.time() - start, x.shape)

from torch.nn import functional as F

class ASPPPooling(nn.Sequential):
    def __init__(self, in_channels, out_channels):
        super(ASPPPooling, self).__init__(
            nn.AdaptiveAvgPool2d(1),
            nn.Conv2d(in_channels, out_channels, 1, bias=False),
了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI算法网奇
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
空间金字塔池化改进 SPP / SPPF / SimSPPF / ASPP / RFB / SPPCSPC / SPPFCSPC / SPPELAN
YOLOv8项目贡献者
08-15 12万+
汇总一些SPP结构
优化策略（六）常用neck
Bruce_0712的博客
10-14 1532
Additional blocks: SPP ASPP RFB SAM HDC SPP、RFB和ASPP CNN中“金字塔”系列的结构块在深度学习诸多模型中发挥着重要的作用，个人认为有大类：“横向”并联金字塔结构(Google的Inception系列)和“纵向”特征金字塔（FPN）。前者输出的特征图融合了具有多种尺度感受野的特征；后者更侧重于是深层语义特征与浅层边缘特征的融合，这里主要学习一下前者的几个典型结构（SPP、RFB和ASPP）,这几种结构或许可以作为模型即插即用的组件，对于优化..
目标检测——neck组件的学习笔记
墨门
01-13 1254
1 前言 这里关于模型组件的命名，我们是参考的YOLOv4的论文，如图所示， 2 ASPP——基于稀疏卷积的SPP模块 ASPP是南溪学习的第一个类SPP模块，当时是在百度车道线检测的任务中使用的，效果还是很不错的； 使用ASPP的模型榜单： DeepLabv3+（Cityscapes—mIOU=82.1%） ...
涨点神器！特征金字塔技术总结
阿木寺的博客
02-04 9047
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达转载自：CV技术指南前言：特征金字塔是目前用于目标检测、语义分割、行为识别等方面比较重要的一个部分，对于提高模型性能具有...
Spatial Pyramid Pooling金字塔池化
JeJe_33的博客
03-23 1345
import torch import torch.nn as nn import math def _spp_pool(in_h,in_w,out_hc,out_wc): #H_out=(H_in-F+2P)/S+1 F_h=int(math.ceil(in_h/out_hc)) F_w=int(math.ceil(in_w/out_wc)) S_h=F_h S_w=F_w P_h=(F_h-1)*S_h+F_h-in_h P_w=(F_w-1)*S
目标检测 - Neck的设计 PAN（Path Aggregation Network）
热门推荐
flyfish
12-03 1万+
PAN（Path Aggregation Network） 目标检测器的构成 1. Input：Image，Patches，ImagePyramid 2. Backbones：VGG16，ResNet（ResNet-18、ResNet-34、ResNet-50、ResNet-101、ResNet-152），SpineNet，EfficientNet-B0/B7，CSPResNeXt50，CSPDarknet53，MobileNet（v1、v2、v3），ShuffleNet（v1、v2） 3. Neck：
aspp.rar_aspp
09-23
标题"Aspp.rar_aspp"和描述中的"MOXA多串口卡Ｉ386　ＬＩＮＵＸ下驱动及测试工具"暗示了这个压缩包包含的是与MOXA多串口卡相关的驱动程序和测试工具，专为运行在Intel x86架构（I386）上的Linux操作系统设计。...
YOLOv8改进 | SPPF | 具有多尺度带孔卷积层的ASPP【CVPR2018】
最新发布
kay_545
06-24 1267
yolov8改进， yolov8. ASPP
ASPP-exercises：使用Python进行高级科学编程
02-24
ASPP 使用Python进行高级科学编程 在此存储库中，您可以找到第2-5天的练习的解决方案以及第1天的minimum.ipynb的解决方案。第1天练习的其他解决方案在我的github上的单独存储库中。
致初学者的深度学习入门系列（三）—— 深度学习目标检测篇（上）
Rosen的博客
02-03 1515
目标定位 ​ 在softmax层中不仅仅只输出分类信息，还可以输出目标的外接矩形框的角点和长宽，这样就可以转化为一个逻辑回归的问题。只要在训练集上对相应信息进行标注，以及定义合适的损失函数，就可以通过实现对目标的定位。 目标检测 滑动窗口法 ​ 首先设定固定大小的窗口，以固定步长遍历图像，每次都将窗口内的图像传入分类网络进行分类，以达到对目标的检测效果。但是，步长的选择无法适应不同情况。过大的步长计算成本低，但检测的精确度下降，无法很好的框选目标；过小的步长又会导致传入网络的窗口数量过多，计算成本巨大。
特征融合方法
不要回答的博客
03-05 8918
概述 基本概念 在很多工作中，融合不同尺度的特征是提高分割性能的一个重要手段。低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层特征具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。如何将两者高效融合，取其长处，弃之糟泊，是改善分割模型的关键。 很多工作通过融合多层来提升检测和分割的性能，按照融合与预测的先后顺序，分类为早融合(Early fusion)和晚融合(Late fusion)。 早融合(Early fusion): 先融合多层的特征，然后在
《南溪的目标检测学习笔记》——neck组件的设计笔记
墨门
01-13 197
1 ASPP模块 DCNv2模块的nn.Module类； inc：表示输入通道数； outc：表示输出通道数； OUT_CHANNELS：输出通道的数目；在针对COCO数据集时，我们使用了256；
CNN中特征融合的一些策略
qq_43257640的博客
11-29 1万+
尽管特征融合的方法很多，但如果数学化地表示，大体可以分为以下几种形式： X+Y\textbf{X}+\textbf{Y}X+Y: X\textbf{X}X、Y\textbf{Y}Y表示两个特征图，+++表示元素级相加. 代表如ResNet、FPN X  concat  Y\textbf{X} \; concat\;\textbf{Y}XconcatY .concatconcatconcat表示张量 拼接操作。 代表如GoogleNet X+G(Y)⋅Y\textbf{X}+\textbf{G(Y)}\cd
总结-空洞卷积(Dilated/Atrous Convolution)、gridding问题以及解决方案、训练技巧BN和PReLU、CReLU
m0_37644085的博客
04-23 1万+
这里有个可视化、直观的图：https://github.com/vdumoulin/conv_arithmetic https://zhuanlan.zhihu.com/p/50369448 https://www.zhihu.com/question/54149221/answer/192025860 https://www.zhihu.com/question/54149221/answ...
详解目标检测之Neck选择
深度学习技术前沿
01-30 3221
点击上方，选择星标或置顶，不定期资源大放送！阅读大概需要10分钟Follow小博主，每天更新前沿干货作者丨曲終人不散丶@知乎（已授权）来源丨https://zhuanlan.zhihu....
【深度学习】语义分割-研究思路
zhe470719的博客
05-05 2148
这里写目录标题笔记参考截至2020-5找思路方法文章核心实现 笔记参考 1.知乎回答：语义分割如何走下去 截至2020-5 找思路方法 链接：https://www.zhihu.com/question/390783647/answer/1221984335 （1）手动设计网络结构 -> NAS搜索； （2）固定感受野 -> 引入空间注意力做感受野自动调节； （3）效果提升不上去 -> 换个思路做实时分割来对比结果； （4）有监督太热门 -> 引入弱监督 （GAN, 知识蒸馏, …）
语义分割进阶之路之回首CVPR2016（二）
lirunqi3的博客
09-03 668
Hierarchically Gated Deep Networks for Semantic Segmentation. Guo-Jun Qi 本文结合了LSTM+CNNs，在CNNs中加入了分级结构判断是否是同一尺度。 可以看出从2015到2016的语义分割发展方向，多尺度问题一直是多篇论文的方向，本片解决的问题也是多尺度问题。 Abstract Semantic ...
《DeepLabv3 + for Semantic Image Segmentation》
69小石头的博客
08-13 584
一、论文 《Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation》 摘要： 在深度神经网络中，空间金字塔池模块或编码/解码器结构用于语义分割任务。 前者网络能够通过使用过滤器或以多种速率和多个有效视场进行池化操作来探查传入特征，从而对多尺度上下文信息进行编码，而后者网络则可以通过逐渐恢复空间信息来捕获更清晰的对象边界。 在这项工作中，我们建议结合两种方法的优点。 具体而言，我们提出的模型Deep
Python实现aspp
05-11
ASPP（Anchor-Free Spatial Pyramid Pooling）是一种图像特征提取方法，它可以在不同尺度和空间位置上捕捉图像信息，从而提高目标检测、图像分类等任务的性能。在Python中，可以使用各种库来实现ASPP，其中比较常用的库包括OpenCV、TensorFlow、PyTorch等。 下面是一个使用PyTorch实现ASPP的简单示例代码： ```python import torch import torch.nn as nn import torch.nn.functional as F class ASPP(nn.Module): def __init__(self, in_channels, out_channels): super(ASPP, self).__init__() self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=1) self.conv2 = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=6) self.conv3 = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=12) self.conv4 = nn.Conv2d(in_channels, out_channels, kernel_size=3, dilation=6, padding=6) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): conv1 = F.relu(self.bn(self.conv1(x))) conv2 = F.relu(self.bn(self.conv2(x))) conv3 = F.relu(self.bn(self.conv3(x))) conv4 = F.relu(self.bn(self.conv4(x))) aspp_out = torch.cat([conv1, conv2, conv3, conv4], dim=1) return aspp_out ``` 这个示例代码定义了一个ASPP模块，它包含了四个卷积层，每个卷积层都使用了不同的卷积核大小和膨胀率。在forward函数中，对输入特征图进行一系列卷积操作，并将结果拼接起来得到ASPP输出特征图。最后，可以通过将ASPP模块添加到其他网络结构中来使用它。 需要注意的是，ASPP的实现方式有很多种，具体实现方式取决于应用场景和性能需求。在实际应用中，需要根据具体情况选择合适的ASPP实现方式。此外，ASPP也可以与其他网络结构（如YOLO、SSD等）结合使用，以提高目标检测和图像分类的性能。
评论
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

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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