Curve-GCN学习
主要内容
- 训练CNN提取Feature Map的网络
- 训练提取轮廓边和点的两个分支层,输出为28×28网格中的点连成的图
- 以上两个网络采用binary cross entropy loss作为损失,使用3×3卷积核和一个全连接输出
- CNN的Feature Map结果和轮廓边提取全连接网络的结果直接拼接起来作为图网络的输入Fc
- 为了增强图网络输入的拼接后的Feature Map,节点输入的feature,cpi与图像中的位置相关联,图像左上角为(0,0),图像总长为1
- GCN为多层,输入输出结构相同,上一层输出的Fc,和 (x,y) 作为下一层的输入
- graph的节点数量固定为N(100),每个节点与相邻的两个节点相连
- 特征提取使用 Resnet 50 + PSPNet,输入 (3, 224, 224) 图片,特征图为 (512, 28, 28),加上两个分支为 (514, 28, 28)
损失定义
- 输出contours与target contours的L1 loss,输出Mask与target Mask的L1 Loss
- 输出点与目标点匹配为固定输出点顺序,逐个偏移目标点顺序的最小的L1 Loss
训练过程
- 如果只有点的损失,训练结果将比较平滑
- 实验中…