Pytorch 实现DetNet

 如图所示，DetNet引入了一个新的Stage6，用于物体检测。Stage5与Stage6使用了DetNet提出的Bottleneck结构 。最大的特点就是使用了空洞数为2的3x3卷积取代了步长为2的3x3卷积。

Stage5与Stage6的每一个特征图尺寸都为原图的1/16，通道数都为256，而传统的Backbone通常是特征图尺寸递减，通道数递增。

在组成金字塔时，特征图大小完全相同，因此可以直接从右向左传递相加，避免了上一节的上采样操作。

 

代码：

from torch import nn
class DetBottleneck(nn.Module):
    #初始化时extra为False时为Bottleneck A，为True时，则为Bottleneck B
    def __init__(self,inplanes,planes,stride=1,extra=False):
        super(DetBottleneck,self).__init__()
        #构建连续3个卷积层的Bottleneck
        self.bottleneck=nn.Sequential(
            nn.Conv2d(inplanes,planes,1,bias=True),
            nn.BatchNorm2d(planes),
            nn.ReLU(inplace=True),
            nn.Conv2d(planes,planes,kernel_size=3,stride=1,padding=2,dilation=2,bias=False),
            nn.BatchNorm2d(planes),
            nn.ReLU(inplace=True),
            nn.BatchNorm2d(planes),
        )
        self.relu=nn.ReLU(inplace=True)
        self.extra=extra
        #Bottleneck B 的1x1卷积
        if self.extra:
            self.extra_conv=nn.Sequential(
                nn.Conv2d(inplanes,planes,1,bias=False),
                nn.BatchNorm2d(planes)
            )
    def forward(self,x):
        #对于Bottleneck B来讲，需要对恒等映射增加卷积处理，与ResNet类似
        if self.extra:
            identity=self.extra_conv(x)
        else:
            identity=x
        out=self.bottleneck(x)
        out+=identity
        out=self.relu(out)
        return out