Faster R-CNN学习（1）：Res101网络详解

最新推荐文章于 2024-07-25 09:35:41 发布

Xinyu_cheng

最新推荐文章于 2024-07-25 09:35:41 发布

阅读量1w

点赞数 5

文章标签： ResNet faster R-CNN 深度学习

此文章版权归Xinyu_cheng所有, 若有参考，烦请标注

本文链接：https://blog.csdn.net/xinyu_cheng/article/details/89683832

版权

本文深入探讨Faster R-CNN中的Res101网络结构，包括ResNet的基本和瓶颈结构，以及在faster R-CNN中的应用。通过代码分析了Res101的层构成，如conv1、layer1至layer4，以及downsample在瓶颈结构中的作用。

摘要由CSDN通过智能技术生成

代码地址：https://github.com/xinyu-ch/faster-rcnn.pytorch/blob/master/lib/model/faster_rcnn/resnet.py

前言

具体的理论知识可参考：https://www.cnblogs.com/shouhuxianjian/p/7766441.html

1 总结构

如下是ResNet的一个主题结构，通过__init__函数可设置对应的ResNet网络，block代表网络的结构（BasicBlock–基础结构， Bottleneck–瓶颈结构），layers代表选择不同的层（[2, 2, 2, 2]–res18， [3, 4, 6, 3]–res18, [3, 4, 6, 3]–res50, [3, 4, 23, 3]–res101，具体可参考ResNet详细结构），默认类别num_classes–1000。__make_layer用于创建结构类似的层，其中的downsample在稍后介绍的基础结构会用到，downsample在瓶颈结构中会用到。self.modules会返回模型的每一层参数，此处for循环是用于初始化卷积层和batch normalization层的参数。layer1, layer2, layer3, layer4 是输入输出层数不同但结构相同的resual网络层，后面详细解释。
Res101层构成：第1层–conv1卷积层+bn+relu+Maxpool; 第2~10层(33)–layer1; 第11～22层(43)–layer2；第23～91层(233)–layer3; 第92～100层(33)–layer4; 第101层：avgpool层+fc层。

class ResNet(nn.Module):
    def __init__(self, block, layers, num_classes=1000):
        self.inplanes = 64
        super(ResNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3,
                               bias=False)
        self.bn1 = nn.BatchNorm2d(64)
        self.relu = nn.ReLU(inplace=True)
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=0, ceil_mode=True)  # change
        self.layer1 = self._make_layer(block, 64, layers[0])
        self.layer2 = self._make_layer(block, 128, layer