maskrcnn_benchmark理解记录——modeling\roi_heads\keypoint_head\roi_keypoint_feature_extractors.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579

点赞数

分类专栏： maskrcnn理解记录

本文链接：https://blog.csdn.net/m0_37644085/article/details/88725903

版权

本文详细记录了maskrcnn_benchmark中Keypoint Head的特征提取过程，包括从P2到P5的ROIAlign操作，以及后续的14*14*256至14*14*512的卷积网络结构。重点解析了网络构造和前向传播函数的实现。

摘要由CSDN通过智能技术生成

这里是keypoints Head特征提取部分。p2~p5 做keypoint head的特征提取部分，并构建了后面的层。

也就是ROIAlign→14*14*256→14*14*512→*8→14*14*512这部分

先对不同P2~P5特征图(list[Tensor])的proposals(list[BoxList])进行ROIAlign。生成5个 14*14*256的ROI特征图。接着对五个ROI特征图(list[Tensor])，逐步进行*8的卷积+relu。（5个特征图是以list形式放一起的，写在一起往后处理）

注意：没有7*7*17和后面回归的部分

'''# 整体思路：先为网络定义一个Darknet类，然后里面肯定有init，foward函数，
# 这里还有load_weight函数，在init初始化的时候，需要将利用cfg构建一个网络框架。具体关系在forward函数中'''
#todo 1. 转换输入：根据cfg文件，先把每个block单独存储（作为字典），放到blocks（列表）当中。
#一、在init的时候，需要利用cfg构建网络框架。需要创建两个函数parse_cfg(cfgfile) 和 create_modules(self.blocks)

#todo 2.根据blocks中的block字典信息可以创建module（nn.Sequential() #不断创造新的module），放到module_list（nn.moduleList）当中。
#二、再定义forward函数： def forward(self, x, CUD