MMDetection2.XX-Necks之PAFPN(PANet)源码解析

已于 2022-02-15 09:01:17 修改
阅读量1.1w 收藏 4
点赞数 6
分类专栏： 视觉检测图像分割干货 文章标签： 深度学习 mmdetection PANet PAFPN
于 2022-01-04 13:23:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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_42308217/article/details/122300794
版权
本文详细解析MMDetection2.0框架中的PAFPN（PANet）结构，该结构继承自原始FPN，并通过增加降采样模块和3×3卷积来改善融合效果，旨在消除降采样带来的影响。通过测试脚本，展示了网络结构和可视化图。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

MMDetection2中PAFPN是继承于原始FPN结构，在其基础上增加了降采样模块和额外的3×3卷积（消除降采样融合造成的影响）。

  • 我们在阅读代码之前首先通过下面的测试脚本打印网络的结构和可视化图：
from mmdet.models.necks import *
from torchviz import make_dot
import torch
in_channels = [256,
了解本专栏 订阅专栏 解锁全文
Anchor free系列检测器之YOLOX源码逐行讲解篇(二)--搭建类PAFPN结构及数据流向分析
认真努力，做一只会飞的毛毛虫。
02-13 1万+
整个系列包括：Demo源码逐行讲解->train脚本源码逐行讲解->backbone源码逐行讲解->FPN源码逐行讲解->Head源码逐行讲解->loss计算源码逐行讲解->数据加载源码逐行讲解->数据增强源码逐行讲解->simOTA源码逐行讲解。有问题欢迎讨论。保证逐行，注意是逐行，包括python语法，tensor维度和逐行代码的作用及应用。看完后可以自己随便的去改任何网络结构，而不仅仅局限于一个调参者。 本篇讲的是YOLOX中类PAFPN结构的搭建，在
MMDetection2.XX-Necks之FPN源码解析
认真努力，做一只会飞的毛毛虫。
01-03 3945
文章目录：话不多说，直接上图，我们先看mmdetection中最基础的FPN是如何实现的：注意要点代码分解详解全部代码完整注释 话不多说，直接上图，我们先看mmdetection中最基础的FPN是如何实现的： 注意要点 在mmdection的backbone中，输出是一个list，list里面是每个stage的结果。这样的好处是方便FPN计算 对于backbone来说，已经完成了down-top过程，FPN要做的其实就是top-down 代码分解详解 在mmdet\models\detectors\
[论文阅读]PANet(PAFPN)——用于实例分割的路径聚合网络
热门推荐
qq_53909832的博客
10-09 2万+
PANet（PAFPN）论文阅读
Python-用于实例分段和对象检测的PANet
08-11
PANet for Instance Segmentation and Object Detection
新型实例分割网络PANet（Path Aggregation Network for Instance Segmentation）源码和更新详解
weixin_44498476的博客
05-19 3842
PANet是18年的一篇CVPR，作者来自港中文，北大，商汤与腾讯优图，PANET可看作Mask-RCNN+，是在Mask-RCNN基础上做的几处改进。 PANet源码百度网盘：https://pan.baidu.com/s/15H4XBAVXsz_lnwMXduXEBw 提取码：frhs PANet翻译后论文 路径聚合网络（PANet），旨在提高基于提议的实例分割框架中的信息流。具体而言，通过自...
PAFPN
weixin_43489950的博客
10-09 3906
https://blog.csdn.net/u014380165/article/details/81273343
PANET
qq_32256033的博客
01-16 315
`class mask_rcnn_fcn_head_v1upXconvs_gn_adp_ff(nn.Module): “”“v1upXconvs design: X * (conv 3x3), convT 2x2, with GroupNorm”"" def init(self, dim_in, roi_xform_func, spatial_scale, num_convs): super()....
【mmdetection系列】mmdetection之neck讲解
聿默的博客
12-10 847
mmdetection之neck讲解。configs、具体实现以及调用是如何的？
[NAS-Det]NAS-FPN
Moeyinss
05-12 1495
能够知道的是 PAnet 等等 跨尺度连接，允许模型将高层具有丰富语义信息等特征和底层具有高分辨率的特征结合起来 本文仅使用增强学习的方法来训练 基于retinanet FPN能堆叠N次来提高准确率 训练一个控制器，在给定的搜索空间中使用增强学习的方法选择最好的模型结构。 控制器利用 搜索空间中子模型的准确率最为奖励信息来更新参数 搜索空间结构 使用backbone的输出作为输入{C3,C...
目标检测Neck：FPN（Feature Pyramid Network）与PAN（附torch代码）
猛码Memmat
09-19 1961
neck
mmdetection源码注释
01-17
商汤科技（2018 COCO 目标检测挑战赛冠军）和香港中文大学最近开源了一个基于Pytorch实现的深度学习目标检测工具箱mmdetection，支持Faster-RCNN，Mask-RCNN，Fast-RCNN等主流的目标检测框架，后续会加入Cascade-RCNN以及其他一系列目标检测框架。 相比于Facebook开源的Detectron框架，作者声称mmdetection有三点优势：performance稍高、训练速度稍快、所需显存稍小
YOLOX骨干网backbone-PAFPN网络结构示1
08-04
YOLOX骨干网backbone-PAFPN网络结构示1
PANET代码 特征融合
qq_32256033的博客
06-10 2243
################################ #多尺度特征融合 #不同ROI特征融合 ############################### x = KL.Add(name=“mrcnn_mask_add_2_3”)([x2, x3]) x = KL.Add(name=“mrcnn_mask_add_2_4”)([x, x4]) x = KL.Add(name=“mrcnn_mask_add_2_5”)([x, x5]) def fpn_classifier_graph(roi.
mmdetection 项目过程问题总结
minixiguazi的博客
11-13 1105
1、写两分支的时候无论batchsize多小，程序都会卡到动不了 问题在于，写两分支的时候loss更新没写好，loss每个分支都对同一个key值更新一遍，多次更新导致CPU和GPU信息传递的时候负担太重。（CPU计算完梯度传递给GPU） 解决方法：把两个分支得到的loss 的tensor先加起来再更新loss字典。 2、 ...
PANet：基于金字塔注意力网络的图像超分辨率重建（Pytorch实现）
Elwin的博客
09-25 6193
PANet：基于金字塔注意力网络的图像超分辨率重建 [!] 为了提高代码的可读性，本文模型的具体实现与原文具有一定区别，因此会造成性能上的差异 文章目录PANet：基于金字塔注意力网络的图像超分辨率重建1.相关资料2.简介3.模型结构4.项目实践4.1 准备工作4.2 具体实现4.2.1 导入项目所需库4.2.2 构建数据集4.2.3 构建网络模型# 特征金字塔部分# 模型部分4.2.4 准备训练配件# 优化器# 损失函数# 评估标准## PSRN## SSIM4.2.5 构建训练框架4.2.6 训练结
PANet：Path Aggregation Network for Instance Segmentation 阅读
chixia1785的博客
05-21 829
框架    本文研究者指出当前最优的 Mask R-CNN 中的信息传播还可以进一步优化。具体来说，低层级的特征对于大型实例识别很有用。但最高层级特征和较低层级特征之间的路径很长，增加了访问准确定位信息的难度。此外，每个建议区域都是基于从一个特征层级池化得到的特征网格而预测的，此分配是启发式的。由于其它层级的丢弃信息可能对于最终的预测还有用，这个流程还有进一步优化的空间。最后，掩码预测仅在单个视野...
mmdet yoloxpafpn 网络结构
邮箱：feboreigns001@163.com
04-18 1659
if __name__ == '__main__': import torch.nn as nn import torch x=[torch.randn(1,256,256,256),torch.randn(1,512,128,128),torch.randn(1,1024,64,64),torch.randn(1,2048,32,32)] mode = YOLOXPAFPN(in_channels=[256, 512, 1024, 2048], ...
win10下使用mmdet训练自己的数据模型
weixin_38226321的博客
08-24 2402
win10下使用mmdet训练自己的数据模型1.环境配置2.制作自己的coco数据集3.进行训练 1.环境配置 1.查看自己cuda版本： 2.查看自己python版本 3.安装pytorch 官方地址，按自己的选择复制粘贴到自己的python虚拟环境中。安装完之后在自己的虚拟环境中打开python，输入import torch，如果没有报错，说明自己的pytorch安装成功。 4.安装mmcv和mmdet 在自己虚拟环境中输入pip install mmcv（或者pip install mmcv-fu
FPN网络结构+源码讲解
日拱一卒，功不唐捐
03-21 5910
本文从FPN的网络结构和源码两个方面对其进行了详细介绍
PANet PAFPN
最新发布
01-13
### PANet 和 PAFPN 的架构特点 PANet (Path Aggregation Network) 是一种用于目标检测中的特征金字塔网络结构，其设计旨在增强多尺度特征融合能力[^1]。通过引入自下而上的路径增强机制以及横向连接的设计，使得低层细节信息能够更有效地传递到高层语义表示中。 ```python class PathAggregationNetwork(nn.Module): def __init__(self, in_channels_list, out_channels): super(PathAggregationNetwork, self).__init__() # 定义各层卷积操作... def forward(self, inputs): p5_out = self.conv_p5(inputs[-1]) p4_out = self.lateral_conv_4(inputs[-2]) + F.interpolate(p5_out, scale_factor=2) p3_out = self.lateral_conv_3(inputs[-3]) + F.interpolate(p4_out, scale_factor=2) n3_out = self.smooth_layer_3(p3_out) n4_out = self.smooth_layer_4(p4_out + F.max_pool2d(n3_out, kernel_size=3, stride=2)) n5_out = self.smooth_layer_5(p5_out + F.max_pool2d(n4_out, kernel_size=3, stride=2)) return [n3_out, n4_out, n5_out] ``` PAFPN (Pyramid Attention Feature Pyramid Network) 则进一步改进了这一思路，在保留原有特性基础上加入了注意力机制来动态调整不同层次间的信息流权重分配。这种改进有助于提高模型对于复杂场景下的适应性和鲁棒性表现。 ### 实现方法和技术要点 为了实现上述两种网络结构： - **模块化构建**：采用可重复使用的组件如卷积层、上采样/下采样单元等； - **跨阶段连接**：利用跳跃链接将浅层特征图与深层特征相结合； - **注意力建模**：针对特定任务需求加入适当形式的注意力模块； 这些技术共同作用于提升整个系统的性能指标并优化计算效率。 ### 应用案例分析 在计算机视觉领域内，PANet 及 PAFPN 已被广泛应用于多种实际问题解决当中，包括但不限于以下几个方面： - **物体识别**：通过对图像中各个对象实例进行精确定位分类； - **姿态估计**：捕捉人体关节位置变化规律辅助动作理解； - **视频跟踪**：连续帧之间保持稳定的目标轨迹预测；
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

打赏作者

刚哥吧

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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