resnet50网络结构_轻量(高效)目标检测网络结构设计

目标检测网络可以分成如图的5个部分

2b00a92a7322f37d79127930cca61542.png

input image:输入图像的大小对整个网络推断耗时有最直接的影响,小的图像,自然整个网络推断时间就会大大减少。一般来说,输入图像大小与网络深度正相关,即:大图像需要更深的网络提取更好的特征

backbone:是网络主结构的表达,由convolution、normalization、activation这3种层堆叠而成,如resnet50.

feature for detection:即最后用于目标检测的特征层,比如常用的有conv4(C4)、conv5(C5),对于fpn有P2~P6等

rpn/detection head:对于one-stage detector来说,这个是最终的目标检测的输出层,对于two-stagedetector来说,这个是用来为第二个阶段提供proposal的输出层

rcnn head:这个出现在two-stagedetector方法中的第二个阶段,一般包括roi pooling、feature extract、classification、bbox regression这4个部分。是两阶

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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