maskrcnn_benchmark理解记录——modeling\roi_heads\keypoint_head\keypoint_head.py

最新推荐文章于 2024-11-30 19:51:30 发布

业精于勤荒于嬉-行成于思而毁于随

最新推荐文章于 2024-11-30 19:51:30 发布

阅读量634

点赞数

分类专栏： maskrcnn理解记录

本文链接：https://blog.csdn.net/m0_37644085/article/details/88700102

版权

本文记录了对maskrcnn_benchmark中keypoint_head模块的理解，重点介绍了从P层的256通道特征图进行ROIAlign，生成14x14x256特征，随后通过卷积和激活操作得到14x14x512的特征，最后处理keypoint的标签并计算损失的过程。

摘要由CSDN通过智能技术生成

这里 in_channels=256（P层是256的）。步骤如下

1)  x = make_roi_keypoint_feature_extractor(cfg, in_channels)(features, proposals)
2)  kp_logits= make_roi_keypoint_predictor(cfg, self.feature_extractor.out_channels)(x)
self.feature_extractor.out_channels=512
3)  post_processor = make_roi_keypoint_post_processor(cfg)
4)  loss_evaluator = make_roi_keypoint_loss_evaluator(cfg)

5） 训练：loss_kp = self.loss_evaluator(proposals, kp_logits)
         也就是loss_kp =make_roi_keypoint_loss_evaluator(cfg)(proposals, kp_logits)
         return x, proposals, dict(loss_kp=loss_kp)
    测试：
         result = make_roi_keypoint_post_processor(cfg)(kp_logits, proposals)
    
6)  loss_kp = make_roi_keypoint_loss_evaluator(cfg)(proposals, kp_logits)

1) https://blog.csdn.net/m0_37644085/article/details/88725903这里