torch.cat()\torch.stack()\concat操作\FPN类模型通道特征合并

最新推荐文章于 2024-07-22 22:15:05 发布
最新推荐文章于 2024-07-22 22:15:05 发布
阅读量1.6w 收藏 28
点赞数 3
分类专栏： 神经网络 计算机视觉 目标检测
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/qq_37705280/article/details/105764309
版权
本文介绍了在特征合并中两种常用的方法：FPN（Feature Pyramid Network）和BiFPN（Bi-directional Feature Pyramids Network）。详细阐述了FPN的通道合并策略以及BiFPN中通过学习权重参数实现特征融合的不同。同时，对比了torch.cat()和torch.stack()在PyTorch中用于特征拼接的差异，强调了它们在拼接维度、张量大小匹配上的要求。
摘要由CSDN通过智能技术生成

特征合并相关（concat）

1、合并方法

（1）FPN

先用1*1卷积合并通道数，然后上采样，对应元素直接相加。如此合并之后为减少混叠效应，再用3*3卷积进行处理得到每一层级最后的特征图；除此之外，为不同层次的输出通道设置固定维数（因为所有层次都像传统的特征化图像金字塔一样使用共享的分类器/回归器）

与此同时由于FPN不同级别特征图尺寸不同所以对应的锚框大小也不同（但是长宽比例都是相同的）。另外，由于不同尺度的存在，ROI Pooling层也要设置不同的尺度（用于提取ROI）（ResNets中没有预先训练的fc层：这些层是随机初始化的）

（2）BiFPN

对于特征融合，从FPN 开始普遍采用的是一个特征先 Resize ，再和另一层的特征相加。作者认为这样的方式是不合理。因为这样假设这两层的特征有了相同的权重。考虑它们最终的贡献应该不同，因此，一个常规的想法是加入权重参数w来自动学习重要性。

2、torch.cat()函数

torch.cat ( (A, B), dim=0)接受一个由两个（或多个）tensor组成的元组，按行拼接，所以两个（多个）tensor的列数要相同。

torch.cat (

最低0.47元/天 解锁文章
coder_zrx
关注
  • 3
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
PyTorch的concat也就是torch.cat实例
Talk Is Cheap
12-05 10万+
import torch a = torch.ones([1,2]) b = torch.ones([1,2]) torch.cat([a,b],1) 1 1 1 1 [torch.FloatTensor of size 1x4]
yolov8 类代码实现，全网唯一 方便研究修改，转onnx学习笔记
jacke121的专栏
08-05 1042
yolov8转onnx学习笔记
torch.cat 与 torch.concat函数
qq_43701910的博客
06-07 1958
将给定序列的张量在给定维度上连接起来。
torch.cat,torch.concat, torch.concatenate
ProfSnail的博客
10-18 2516
将向量按照指定的维度进行拼接。这三个函数是同一个函数，互为彼此的别名。
【PyTorch】torch.cat() 和 torch.concat() 的区别
热门推荐
叼辣条闯天涯
11-02 1万+
torch.concat() 是 torch.cat() 的别称，无区别。
通道拼接-torch.cat
xingghaoyuxitong的博客
06-07 1373
import torch a = torch.ones([1,2]) b = torch.ones([1,2]) print(torch.cat([a,b],1)) # 沿着 1阶 输出：1 1 1 1
torch.cat torch.concatenate torch.concat学习记录
weixin_41147796的博客
12-20 946
将向量按照指定的维度进行拼接。这三个函数是同一个函数，互为彼此的别名。将tensor进行拼接，拼接的维度根据dim设置，默认为0（行拼接）
yolov5 奇奇怪怪的错误汇总:【版本兼容，模型训练，数据加载，模型加速】
shiter编写程序的艺术
09-20 1370
用起来这么火的库，问题这么多么？
【YOLOv8改进 - 特征融合】FFCA-YOLO: 提升遥感图像中小目标检测的精度和鲁棒性
最新发布
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-22 570
在遥感中，小物体的检测任务由于特征表示不足和背景混淆等问题而变得艰难。特别是当算法需要部署在板载系统上进行实时处理时，需在有限的计算资源下进行准确性和速度的广泛优化。为了解决这些问题，本文提出了一种高效的检测器，称为特征增强、融合和上下文感知YOLO（FFCA-YOLO）。FFCA-YOLO包含三个创新的轻量级和即插即用的模块：特征增强模块（FEM）、特征融合模块（FFM）和空间上下文感知模块（SCAM）。这三个模块分别增强了网络的局部区域感知、多尺度特征融合和全局关联跨通道与空间的能力，同时尽量避免增加复
PyTorch的torch.cat用法
09-16
主要介绍了PyTorch的torch.cat用法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
FasterRCNN pytorch官方源码学习
看艾薇的熊猫的博客
11-13 1680
基类 GeneralizedRCNN class GeneralizedRCNN(nn.Module): def __init__(self, backbone, rpn, roi_heads, transform): super(GeneralizedRCNN, self).__init__() self.transform = transform self.backbone = backbone self.rpn = rpn
彩色图片按RGB通道分离，torch单通道卷积后，再合并
weixin_42410915的博客
12-21 2124
import torch from torch.autograd import Variable import torch.nn as nn import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread("lena.jpg") #cv2.imshow("Original", img) r,g,b = np.dsplit(img, 3) # 彩色图像拆分为rgb #cv2.imshow('r', r) #cv.
pytorch自定义dataset类分别加载多通道图片并合并
weixin_46548241的博客
04-12 992
pytorch自定义dataset类分别加载多通道图片 因为需要处理多通道的传感器信息，所以自定义了一个dataset类来分别同时加载多通道图片，用于同时输入到卷积神经网络中。 MyDataset介绍 我这里是打算同时四个通道分别加载图片，并且预处理之后将四张图片合并。 也就是说输入之前图片尺寸是4*(3,image_size,image_size)（如果加载灰度图的话就是(1,image_size,image_size)），通过MyDataset包装之后返回的张量大小为(34,image_size,ima
torch.cat函数
weixin_46028606的博客
12-31 599
torch的cat函数
PyTorch的torch.cat
星之所望的博客
03-08 401
1. 字面理解：torch.cat是将两个张量（tensor）拼接在一起，cat是concatnate的意思，即拼接，联系在一起。 2. 例子理解 >>> import torch >>> A=torch.ones(2,3) #2x3的张量（矩阵） >>> A te...
Torch nn.Concat,nn.ConcatTable,nn.JoinTable.
u013548568的博客
04-08 4976
1、根据字面意思，nn.Concat,nn.ConcatTable都是将输出concat在一起，那么二者有什么区别呢。concat将最终的concat的结果变成一个整体，ConcatTable将输出保存在一个table里面。 mlp=nn.Concat(1); mlp:add(nn.SpatialConvolution(3,64,7,7,2,2,3,3)) mlp:add(nn.Spatia...
sparkML特征向量合并和拆分
shirukai
07-17 4557
SparkML特征向量合并和拆分 VectorAssembler（特征向量合并）是spark ml包里提供的算法， 但是对于向量拆分，官方没有听方法，这里从GitHub上看到一个向量拆分的算法，一起贴出来学习研究。 VectorAssembler（特征向量合并） 摘录官网翻译： VectorAssembler 是将给定的一系列的列合并到单个向量列中的transformer。它可以将原始...
torch.cat和torch.concat和torch.concatenate
05-10
`torch.cat` 和 `torch.concat` 是相同的函数，用于将张量沿着指定的维度拼接。而 `torch.concatenate` 是 `torch.cat` 的别名，也可以用于相同的目的。 这些函数的使用方法如下： ```python import torch # 沿着第0个维度拼接两个张量 x = torch.randn(2, 3) y = torch.randn(3, 3) z = torch.cat([x, y], dim=0) # 或者 torch.concat([x, y], dim=0) # 沿着第1个维度拼接两个张量 x = torch.randn(2, 3) y = torch.randn(2, 2) z = torch.cat([x, y], dim=1) # 或者 torch.concat([x, y], dim=1) ``` 注意，`torch.cat` 和 `torch.concat` 都是用于拼接张量的函数，而 `torch.stack` 则是用于堆叠张量的函数。
评论 1
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
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