卷积系列——形变卷积(Deformable convolution)代码理解和使用

最新推荐文章于 2024-07-28 18:37:23 发布

burning_planet

最新推荐文章于 2024-07-28 18:37:23 发布

阅读量7.6k

点赞数

分类专栏： Machine Learning Deep Learning python

本文链接：https://blog.csdn.net/lynlindasy/article/details/100151941

版权

本文详细介绍了形变卷积的工作原理，重点解析了Keras版本的实现代码，包括ConvOffset2D层的构建，以及如何通过偏移量计算得到变形特征图。提供了一个示例脚本scaled_mnist.py，展示如何在CNN网络中集成形变卷积。

摘要由CSDN通过智能技术生成

给出代码地址：https://github.com/kastnerkyle/deform-conv，keras版本的。

可以直接看目录scripts下的scaled_mnist.py，网络模型由函数get_deform_cnn()加载：

# ---
# Deformable CNN

inputs, outputs = get_deform_cnn(trainable=False)
model = Model(inputs=inputs, outputs=outputs)

get_deform_cnn()定义在目录deform_conv下的cnn.py中，整体就是一个普通的cnn网络，只不过卷积前加了ConvOfffset2D：

def get_deform_cnn(trainable):
    inputs = l = Input((28, 28, 1), name='input')

    # conv11
    l = Conv2D(32, (3, 3), padding='same', name='conv11', trainable=trainable)(l)
    l = Activation('relu', name='conv11_relu')(l)
    l = BatchNormalization(name='conv11_bn')(l)

    # conv12
    l_offset = ConvOffset2D(32, name='conv12_offset')(l)
    l = Conv2