simple-faster-rcnn-pytorch

逐字理解目标检测simple-faster-rcnn-pytorch-master代码(一)
https://blog.csdn.net/qq_32678471/article/details/84776144
逐字理解目标检测simple-faster-rcnn-pytorch-master代码(二)
https://blog.csdn.net/qq_32678471/article/details/84792307
逐字理解目标检测simple-faster-rcnn-pytorch-master代码(三)
https://blog.csdn.net/qq_32678471/article/details/84882277
逐字理解目标检测simple-faster-rcnn-pytorch-master代码(四)
https://blog.csdn.net/qq_32678471/article/details/85678921

Fast-RCNN论文总结整理
https://www.cnblogs.com/kerwins-AC/p/9651352.html
目标检测之Faster-RCNN的pytorch代码详解(数据预处理篇)
https://www.cnblogs.com/kerwins-AC/p/9734381.html
目标检测之Faster-RCNN的pytorch代码详解(模型准备篇)
https://www.cnblogs.com/kerwins-AC/p/9752679.html
目标检测之Faster-RCNN的pytorch代码详解(模型训练篇)
https://www.cnblogs.com/kerwins-AC/p/9728731.html

trainer.py

首先通过特征提取器提取特征:

features = self.faster_rcnn.extractor(imgs)

然后将特征图送入RPN网络,产生候选区域

rpn_locs, rpn_scores, rois, roi_indices, anchor = \
    self.faster_rcnn.rpn(features, img_size, scale)

rpn_locs, rpn_scores为rpn通过卷积生成的回归参数和类别分数,与真实的回归参数和分数做loss,此处的rpn_locs, rpn_scores为所有(20000个)anchor的回归参数和分数,用来提高RPN生成的候选框的质量。
rois为输出结果,经过ProposalCreator后生成2000个分数较高的候选区域,输入到下一级。

    sample_roi, gt_roi_loc, gt_roi_label = self.proposal_target_creator(
        roi,
        at.tonumpy(bbox),
        at.tonumpy(label),
        self.loc_normalize_mean,
        self.loc_normalize_std)

ProposalTargetCreator用于从2000个ROIS中挑选出128个样本(设置IOU,选区正样本和负样本)来训练self.faster_rcnn.head

    roi_cls_loc, roi_score = self.faster_rcnn.head(
        features,
        sample_roi,
        sample_roi_index)

用于产生最后的检测结果,输出为roi_cls_loc, roi_score,与ProposalTargetCreator产生的gt_roi_loc, gt_roi_label做loss。

未完待续,有时间再更新更加详细的内容。

  • 0
    点赞
  • 4
    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