Retinanet网络结构简介

一、网络主干框架（resnet50, FPN, class子网络，reg子网络）

1.首先设置C1-C5层

C1	conv7x7,s=2,p=1 BN relu maxpool3x3,s=2,p=1
C2(3)	Block[1-3]: conv1x1,BN,relu conv3x3,s=1,,p=1,BN,relu conv1x1,bn add,relu
C3(4)	Block[1]: conv1x1,BN,relu, conv3x3,s=2,p=1,BN,relu conv1x1,BN x下采样：conv1x1,s=2,BN add,relu Block[2-4]: conv1x1,BN,relu conv3x3,s=2,p=1,BN,relu conv1x1,BN add,relu
C4(6)	Block[1]: conv1x1,BN,relu, conv3x3,s=2,p=1,BN,relu conv1x1,BN x下采样：conv1x1,s=2,BN add,relu Block[2-6]: conv1x1,BN,relu conv3x3,s=2,p=1,BN,relu conv1x1,BN add,relu
C5(3)	Block[1]: conv1x1,BN,relu, conv3x3,s=2,p=1,BN,relu conv1x1,BN x下采样：conv1x1,s=2,BN add,relu Block[2-3]: conv1x1,BN,relu conv3x3,s=2,p=1,BN,relu conv1x1,BN add,relu

但是train.py文件中有这一行代码：retinanet.module.freeze_bn()

个人理解是将网络结构中的BN层冻结。

2.FPN模块

 

3.class检测子网络

conv3x3,p=1,relu

conv3x3,p=1,relu

conv3x3,p=1,relu

conv3x3,p=1,relu

conv3x3,p=1,sigmoid

 

4.reg检测子网络

conv3x3,p=1,relu

conv3x3,p=1,relu

conv3x3,p=1,relu

conv3x3,p=1,relu

conv3x3,p=1

class与reg一开始是对每层特征图继续计算。最终的classification与regssion是将每层的class与reg进行torch.cat得到的。

以上内容纯属个人理解与记录。如有不对，可以指出，共同进步，谢谢。