PolarMask,GitHub标星8k

nn.Conv2d(in_channels=in_channels,out_channels=out_channels,kernel_size=3,stride=1,padding=1),

nn.ReLU6(inplace=True)

)

def locLayer(in_channels,out_channels):

return nn.Sequential(

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=3, stride=1, padding=1),

)

def conf_centernessLayer(in_channels,out_channels):

return nn.Sequential(

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=3, stride=1, padding=1),

)

class PolarMask(nn.Module):

def init(self, num_classes=21):

super(PolarMask, self).init()

self.num_classes = num_classes

resnet = torchvision.models.resnet50()

layers = list(resnet.children())

self.layer1 = nn.Sequential(*layers[:5])

self.layer2 = nn.Sequential(*layers[5])

self.layer3 = nn.Sequential(*layers[6])

self.layer4 = nn.Sequential(*layers[7])

self.lateral5 = nn.Conv2d(in_channels=2048, out_channels=256, kernel_size=1)

self.lateral4 = nn.Conv2d(in_channels=1024, out_channels=256, kernel_size=1)

self.lateral3 = nn.Conv2d(in_channels=512, out_channels=256, kernel_size=1)

self.upsample4 = nn.ConvTranspose2d(in_channels=256, out_channels=256, kernel_size=4, stride=2, padding=1)

self.upsample3 = nn.ConvTranspose2d(in_channels=256, out_channels=256, kernel_size=4, stride=2, padding=1)

self.downsample6 = nn.Conv2d(in_channels=256, out_channels=256, kernel_size=3, stride=2, padding=1)

self.downsample5 = nn.Conv2d(in_channels=256, out_channels=256, kernel_size=3, stride=2, padding=1)

self.loc_layer3 = locLayer(in_channels=256,out_channels=36)

self.conf_centerness_layer3 = conf_centernessLayer(in_channels=256,out_channels=self.num_classes)

self.loc_layer4 = locLayer(in_channels=256, out_channels=36)

self.conf_centerness_layer4 = conf_centernessLayer(in_channels=256, out_channels=self.num_classes)

self.loc_layer5 = locLayer(in_channels=256, out_channels=36)

self.conf_centerness_layer5 = conf_centernessLayer(in_channels=256, out_channels=self.num_classes)

self.loc_layer6 = locLayer(in_channels=256, out_channels=36)

self.conf_centerness_layer6 = conf_centernessLayer(in_channels=256, out_channels=self.num_classes)

self.loc_layer7 = locLayer(in_channels=256, out_channels=36)

self.conf_centerness_layer7 = conf_centernessLayer(in_channels=256, out_channels=self.num_classes)

self.init_params()

def init_params(self):

for m in self.modules():

if isinstance(m, nn.Conv2d):

nn.init.kaiming_normal_(m.weight, mode=‘fan_out’, nonlinearity=‘relu’)

elif isinstance(m, nn.BatchNorm2d):

nn.init.constant_(m.weight, 1)

nn.init.constant_(m.bias, 0)

文末有福利领取哦~

👉一、Python所有方向的学习路线

Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。img

👉二、Python必备开发工具

img
👉三、Python视频合集

观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
img

👉 四、实战案例

光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。(文末领读者福利)
img

👉五、Python练习题

检查学习结果。
img

👉六、面试资料

我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
img

img

👉因篇幅有限,仅展示部分资料,这份完整版的Python全套学习资料已经上传

小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。

深知大多数初中级Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!

因此收集整理了一份《2024年Python爬虫全套学习资料》送给大家,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。

由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频

如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注:python)
img

自学提升又不知道该从何学起的朋友,同时减轻大家的负担。**

由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频

如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注:python)
[外链图片转存中…(img-CMyAqbd6-1711192211410)]

  • 26
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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