mask rcnn网络结构笔记

最新推荐文章于 2023-08-02 12:59:38 发布
最新推荐文章于 2023-08-02 12:59:38 发布
阅读量551 收藏
点赞数
分类专栏： 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhqh100/article/details/95210537
版权

基于https://gluon-cv.mxnet.io/build/examples_instance/demo_mask_rcnn.html 调试打印得到net.summary(x)

--------------------------------------------------------------------------------
        Layer (type)                                Output Shape         Param #
================================================================================
               Input                            (1, 3, 600, 800)               0
            Conv2D-1                           (1, 64, 300, 400)            9408
         BatchNorm-2                           (1, 64, 300, 400)             256
        Activation-3                           (1, 64, 300, 400)               0
         MaxPool2D-4                           (1, 64, 150, 200)               0
            Conv2D-5                           (1, 64, 150, 200)            4096
         BatchNorm-6                           (1, 64, 150, 200)             256
        Activation-7                           (1, 64, 150, 200)               0
            Conv2D-8                           (1, 64, 150, 200)           36864
         BatchNorm-9                           (1, 64, 150, 200)             256
       Activation-10                           (1, 64, 150, 200)               0
           Conv2D-11                          (1, 256, 150, 200)           16384
        BatchNorm-12                          (1, 256, 150, 200)            1024
           Conv2D-13                          (1, 256, 150, 200)           16384
        BatchNorm-14                          (1, 256, 150, 200)            1024
       Activation-15                          (1, 256, 150, 200)               0
    BottleneckV1b-16                          (1, 256, 150, 200)               0
           Conv2D-17                           (1, 64, 150, 200)           16384
        BatchNorm-18                           (1, 64, 150, 200)             256
       Activation-19                           (1, 64, 150, 200)               0
           Conv2D-20                           (1, 64, 150, 200)           36864
        BatchNorm-21                           (1, 64, 150, 200)             256
       Activation-22                           (1, 64, 150, 200)               0
           Conv2D-23                          (1, 256, 150, 200)           16384
        BatchNorm-24                          (1, 256, 150, 200)            1024
       Activation-25                          (1, 256, 150, 200)               0
    BottleneckV1b-26                          (1, 256, 150, 200)               0
           Conv2D-27                           (1, 64, 150, 200)           16384
        BatchNorm-28                           (1, 64, 150, 200)             256
       Activation-29                           (1, 64, 150, 200)               0
           Conv2D-30                           (1, 64, 150, 200)           36864
        BatchNorm-31                           (1, 64, 150, 200)             256
       Activation-32                           (1, 64, 150, 200)               0
           Conv2D-33                          (1, 256, 150, 200)           16384
        BatchNorm-34                          (1, 256, 150, 200)            1024
       Activation-35                          (1, 256, 150, 200)               0
    BottleneckV1b-36                          (1, 256, 150, 200)               0
           Conv2D-37                          (1, 128, 150, 200)           32768
        BatchNorm-38                          (1, 128, 150, 200)             512
       Activation-39                          (1, 128, 150, 200)               0
           Conv2D-40                           (1, 128, 75, 100)          147456
        BatchNorm-41                           (1, 128, 75, 100)             512
       Activation-42                           (1, 128, 75, 100)               0
           Conv2D-43                           (1, 512, 75, 100)           65536
        BatchNorm-44                           (1, 512, 75, 100)            2048
           Conv2D-45                           (1, 512, 75, 100)          131072
        BatchNorm-46                           (1, 512, 75, 100)            2048
       Activation-47                           (1, 512, 75, 100)               0
    BottleneckV1b-48                           (1, 512, 75, 100)               0
           Conv2D-49                           (1, 128, 75, 100)           65536
        BatchNorm-50                           (1, 128, 75, 100)             512
       Activation-51                           (1, 128, 75, 100)               0
           Conv2D-52                           (1, 128, 75, 100)          147456
        BatchNorm-53                           (1, 128, 75, 100)             512
       Activation-54                           (1, 128, 75, 100)               0
           Conv2D-55                           (1, 512, 75, 100)           65536
        BatchNorm-56                           (1, 512, 75, 100)            2048
       Activation-57                           (1, 512, 75, 100)               0
    BottleneckV1b-58                           (1, 512, 75, 100)               0
           Conv2D-59                           (1, 128, 75, 100)           65536
        BatchNorm-60                           (1, 128, 75, 100)             512
       Activation-61                           (1, 128, 75, 100)               0
           Conv2D-62                           (1, 128, 75, 100)          147456
        BatchNorm-63                           (1, 128, 75, 100)             512
       Activation-64                           (1, 128, 75, 100)               0
           Conv2D-65                           (1, 512, 75, 100)           65536
        BatchNorm-66                           (1, 512, 75, 100)            2048
       Activation-67                           (1, 512, 75, 100)               0
    BottleneckV1b-68                           (1, 512, 75, 100)               0
           Conv2D-69                           (1, 128, 75, 100)           65536
        BatchNorm-70                           (1, 128, 75, 100)             512
       Activation-71                           (1, 128, 75, 100)               0
           Conv2D-72                           (1, 128, 75, 100)          147456
        BatchNorm-73                           (1, 128, 75, 100)             512
       Activation-74                           (1, 128, 75, 100)               0
           Conv2D-75                           (1, 512, 75, 100)           65536
        BatchNorm-76                           (1, 512, 75, 100)            2048
       Activation-77                           (1, 512, 75, 100)               0
    BottleneckV1b-78                           (1, 512, 75, 100)               0
           Conv2D-79                           (1, 256, 75, 100)          131072
        BatchNorm-80                           (1, 256, 75, 100)            1024
       Activation-81                           (1, 256, 75, 100)               0
           Conv2D-82                            (1, 256, 38, 50)          589824
        BatchNorm-83                            (1, 256, 38, 50)            1024
       Activation-84                            (1, 256, 38, 50)               0
           Conv2D-85                           (1, 1024, 38, 50)          262144
        BatchNorm-86                           (1, 1024, 38, 50)            4096
           Conv2D-87                           (1, 1024, 38, 50)          524288
        BatchNorm-88                           (1, 1024, 38, 50)            4096
       Activation-89                           (1, 1024, 38, 50)               0
    BottleneckV1b-90                           (1, 1024, 38, 50)               0
           Conv2D-91                            (1, 256, 38, 50)          262144
        BatchNorm-92                            (1, 256, 38, 50)            1024
       Activation-93                            (1, 256, 38, 50)               0
           Conv2D-94                            (1, 256, 38, 50)          589824
        BatchNorm-95                            (1, 256, 38, 50)            1024
       Activation-96                            (1, 256, 38, 50)               0
           Conv2D-97                           (1, 1024, 38, 50)          262144
        BatchNorm-98                           (1, 1024, 38, 50)            4096
       Activation-99                           (1, 1024, 38, 50)               0
   BottleneckV1b-100                           (1, 1024, 38, 50)               0
          Conv2D-101                            (1, 256, 38, 50)          262144
       BatchNorm-102                            (1, 256, 38, 50)            1024
      Activation-103                            (1, 256, 38, 50)               0
          Conv2D-104                            (1, 256, 38, 50)          589824
       BatchNorm-105                            (1, 256, 38, 50)            1024
      Activation-106                            (1, 256, 38, 50)               0
          Conv2D-107                           (1, 1024, 38, 50)          262144
       BatchNorm-108                           (1, 1024, 38, 50)            4096
      Activation-109                           (1, 1024, 38, 50)               0
   BottleneckV1b-110                           (1, 1024, 38, 50)               0
          Conv2D-111                            (1, 256, 38, 50)          262144
       BatchNorm-112                            (1, 256, 38, 50)            1024
      Activation-113                            (1, 256, 38, 50)               0
          Conv2D-114                            (1, 256, 38, 50)          589824
       BatchNorm-115                            (1, 256, 38, 50)            1024
      Activation-116                            (1, 256, 38, 50)               0
          Conv2D-117                           (1, 1024, 38, 50)          262144
       BatchNorm-118                           (1, 1024, 38, 50)            4096
      Activation-119                           (1, 1024, 38, 50)               0
   BottleneckV1b-120                           (1, 1024, 38, 50)               0
          Conv2D-121                            (1, 256, 38, 50)          262144
       BatchNorm-122                            (1, 256, 38, 50)            1024
      Activation-123                            (1, 256, 38, 50)               0
          Conv2D-124                            (1, 256, 38, 50)          589824
       BatchNorm-125                            (1, 256, 38, 50)            1024
      Activation-126                            (1, 256, 38, 50)               0
          Conv2D-127                           (1, 1024, 38, 50)          262144
       BatchNorm-128                           (1, 1024, 38, 50)            4096
      Activation-129                           (1, 1024, 38, 50)               0
   BottleneckV1b-130                           (1, 1024, 38, 50)               0
          Conv2D-131                            (1, 256, 38, 50)          262144
       BatchNorm-132                            (1, 256, 38, 50)            1024
      Activation-133                            (1, 256, 38, 50)               0
          Conv2D-134                            (1, 256, 38, 50)          589824
       BatchNorm-135                            (1, 256, 38, 50)            1024
      Activation-136                            (1, 256, 38, 50)               0
          Conv2D-137                           (1, 1024, 38, 50)          262144
       BatchNorm-138                           (1, 1024, 38, 50)            4096
      Activation-139                           (1, 1024, 38, 50)               0
   BottleneckV1b-140                           (1, 1024, 38, 50)               0
FasterRCNN.features
---------------------------------------------------------------------------------------------
RPNAnchorGenerator-141                               (1, 28500, 4)          983040
RPN.anchor_generator
---------------------------------------------------------------------------------------------
          Conv2D-142                           (1, 1024, 38, 50)         9438208
      Activation-143                           (1, 1024, 38, 50)               0
RPN.conv1
---------------------------------------------------------------------------------------------
          Conv2D-144                             (1, 15, 38, 50)           15375
RPN.score
---------------------------------------------------------------------------------------------
          Conv2D-145                             (1, 60, 38, 50)           61500
RPN.loc
---------------------------------------------------------------------------------------------
BBoxCornerToCenter-146                               (1, 28500, 4)               0
RPNProposal._box_to_center
---------------------------------------------------------------------------------------------
NormalizedBoxCenterDecoder-147                               (1, 28500, 4)               0
RPNProposal._box_decoder
---------------------------------------------------------------------------------------------
 BBoxClipToImage-148                               (1, 28500, 4)               0
RPNProposal._clipper
---------------------------------------------------------------------------------------------
     RPNProposal-149                               (1, 28500, 5)               0
RPN.region_proposer
---------------------------------------------------------------------------------------------
             RPN-150                  (1, 1000, 1), (1, 1000, 4)               0
FasterRCNN.rpn
---------------------------------------------------------------------------------------------
          Conv2D-151                         (1000, 512, 14, 14)          524288
       BatchNorm-152                         (1000, 512, 14, 14)            2048
      Activation-153                         (1000, 512, 14, 14)               0
          Conv2D-154                           (1000, 512, 7, 7)         2359296
       BatchNorm-155                           (1000, 512, 7, 7)            2048
      Activation-156                           (1000, 512, 7, 7)               0
          Conv2D-157                          (1000, 2048, 7, 7)         1048576
       BatchNorm-158                          (1000, 2048, 7, 7)            8192
          Conv2D-159                          (1000, 2048, 7, 7)         2097152
       BatchNorm-160                          (1000, 2048, 7, 7)            8192
      Activation-161                          (1000, 2048, 7, 7)               0
   BottleneckV1b-162                          (1000, 2048, 7, 7)               0
          Conv2D-163                           (1000, 512, 7, 7)         1048576
       BatchNorm-164                           (1000, 512, 7, 7)            2048
      Activation-165                           (1000, 512, 7, 7)               0
          Conv2D-166                           (1000, 512, 7, 7)         2359296
       BatchNorm-167                           (1000, 512, 7, 7)            2048
      Activation-168                           (1000, 512, 7, 7)               0
          Conv2D-169                          (1000, 2048, 7, 7)         1048576
       BatchNorm-170                          (1000, 2048, 7, 7)            8192
      Activation-171                          (1000, 2048, 7, 7)               0
   BottleneckV1b-172                          (1000, 2048, 7, 7)               0
          Conv2D-173                           (1000, 512, 7, 7)         1048576
       BatchNorm-174                           (1000, 512, 7, 7)            2048
      Activation-175                           (1000, 512, 7, 7)               0
          Conv2D-176                           (1000, 512, 7, 7)         2359296
       BatchNorm-177                           (1000, 512, 7, 7)            2048
      Activation-178                           (1000, 512, 7, 7)               0
          Conv2D-179                          (1000, 2048, 7, 7)         1048576
       BatchNorm-180                          (1000, 2048, 7, 7)            8192
      Activation-181                          (1000, 2048, 7, 7)               0
   BottleneckV1b-182                          (1000, 2048, 7, 7)               0
FasterRCNN.top_features
---------------------------------------------------------------------------------------------
           Dense-183                                  (1000, 81)          165969
FasterRCNN.class_predictor
---------------------------------------------------------------------------------------------
           Dense-184                                 (1000, 320)          655680
FasterRCNN.box_predictor
---------------------------------------------------------------------------------------------
MultiPerClassDecoder-185                (1, 1000, 80), (1, 1000, 80)               0
FasterRCNN.cls_decoder
---------------------------------------------------------------------------------------------
BBoxCornerToCenter-186                                (1, 1000, 4)               0
FasterRCNN.box_to_center
---------------------------------------------------------------------------------------------
NormalizedBoxCenterDecoder-187                               (80, 1000, 4)               0
FasterRCNN.box_decoder
---------------------------------------------------------------------------------------------
          Conv2D-188                         (1000, 512, 14, 14)          524288
       BatchNorm-189                         (1000, 512, 14, 14)            2048
      Activation-190                         (1000, 512, 14, 14)               0
          Conv2D-191                           (1000, 512, 7, 7)         2359296
       BatchNorm-192                           (1000, 512, 7, 7)            2048
      Activation-193                           (1000, 512, 7, 7)               0
          Conv2D-194                          (1000, 2048, 7, 7)         1048576
       BatchNorm-195                          (1000, 2048, 7, 7)            8192
          Conv2D-196                          (1000, 2048, 7, 7)         2097152
       BatchNorm-197                          (1000, 2048, 7, 7)            8192
      Activation-198                          (1000, 2048, 7, 7)               0
   BottleneckV1b-199                          (1000, 2048, 7, 7)               0
          Conv2D-200                           (1000, 512, 7, 7)         1048576
       BatchNorm-201                           (1000, 512, 7, 7)            2048
      Activation-202                           (1000, 512, 7, 7)               0
          Conv2D-203                           (1000, 512, 7, 7)         2359296
       BatchNorm-204                           (1000, 512, 7, 7)            2048
      Activation-205                           (1000, 512, 7, 7)               0
          Conv2D-206                          (1000, 2048, 7, 7)         1048576
       BatchNorm-207                          (1000, 2048, 7, 7)            8192
      Activation-208                          (1000, 2048, 7, 7)               0
   BottleneckV1b-209                          (1000, 2048, 7, 7)               0
          Conv2D-210                           (1000, 512, 7, 7)         1048576
       BatchNorm-211                           (1000, 512, 7, 7)            2048
      Activation-212                           (1000, 512, 7, 7)               0
          Conv2D-213                           (1000, 512, 7, 7)         2359296
       BatchNorm-214                           (1000, 512, 7, 7)            2048
      Activation-215                           (1000, 512, 7, 7)               0
          Conv2D-216                          (1000, 2048, 7, 7)         1048576
       BatchNorm-217                          (1000, 2048, 7, 7)            8192
      Activation-218                          (1000, 2048, 7, 7)               0
   BottleneckV1b-219                          (1000, 2048, 7, 7)               0
MaskRCNN.top_features
---------------------------------------------------------------------------------------------
 Conv2DTranspose-220                         (1000, 256, 14, 14)         2097408
          Conv2D-221                          (1000, 80, 14, 14)           20560
            Mask-222                       (1, 1000, 80, 14, 14)               0
MaskRCNN.mask
---------------------------------------------------------------------------------------------
        MaskRCNN-223  (1, 1000, 1), (1, 1000, 1), (1, 1000, 4), (1, 1000, 14, 14)               0
================================================================================
Parameters in forward computation graph, duplicate included
   Total params: 51986156
   Trainable params: 50927468
   Non-trainable params: 1058688
Shared params in forward computation graph: 14987264
Unique parameters in model: 36998892
--------------------------------------------------------------------------------

 

zhqh100
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
mask rcnn详细结构图
08-04
论文： Learning to segment to every thing 模型结构图
MaskRCNN的实现
01-27
本文来自于csdn，文章主要介绍了Mask RCNN整体实现框架、FPN和RPN的对应关系以及分类和bbox回归等相关内容。...要充分理解maskRCNN建议先通读RCN的系列论文了解主题脉络,然后参考代码实现了解细节。
maskrcnn简单解析
deep_love1314的博客
07-08 5085
maskrcnn
目标检测（Object detection）—— Mask RCNN
weixin_42075898的博客
11-05 1302
基于tensorflow实现的Mask RCNN源码 对上面源码的解读 1 概述 Mask RCNN实际上是个实例分割算法（instance segmentation），这里对它进行介绍的原因是Mask RCNN与faster RCNN算法密不可分，只是在faster RCNN的分类支路、边框回归支路之外，增加了一个实例分割支路。改动虽然简单，但是Mask RCNN实例分割的效果非常出众，令人...
如何用自己的数据训练MASK R-CNN模型
weixin_46106424的博客
02-13 829
先把跑通的代码以及对应输出贴上(部分参数有待调整） import os import sys import random import math import re import time import numpy as np import cv2 import matplotlib import tensorflow as tf import matplotlib.pyplot as plt from PIL import Image import yaml # Root directory of
mask-rcnn训练测试自制数据集
P_Leung的技术博客
05-09 1761
mask-rcnn训练测试自制数据集 本项目简介 本项目用于口腔模型分割，数据类型有7种，本文主要用于介绍如何使用自制数据集训练自己的模型 训练环境配置 操作系统:win10 GPU: GTX 1080ti CPU: intel i7 内存: 32G 项目地址 项目地址：https://github.com/a2824256/Mask_RCNN_4_Oral_Segmentation，mask-rcnn模型来自matterport/Mask_RCNN 自制coco数据集格式数据集教程 把数据集制作成co
【图解】Mask R-CNN 架构
子燕若水的博客
08-02 1029
这个张量表示每个类别对应的 mask 的概率分布，也就是说，每个类别有一个 28 x 28 的 mask，表示该类别物体在图像中的位置和形状。这个向量表示每个 RoI 的类别概率和边界框偏移量，也就是说，前 K 个元素是一个 one-hot 向量，表示该 RoI 属于哪个类别的概率，后 4 个元素是一个四维向量，表示该 RoI 在 x, y, w, h 四个方向上的偏移量，其中 x, y 是中心坐标，w, h 是宽度和高度。
开源mask rcnn分割模型训练loss下降图
04-03
在训练初期，由于网络权重随机初始化，损失通常较高，随着训练的进行，损失会逐渐下降。 在训练过程中，观察Loss下降图可以帮助我们分析模型的学习情况。一般来说，损失值会随着训练迭代次数增加而逐步降低，这表明...
Mask_RCNN模型文件
12-15
**Mask RCNN模型详解** Mask R-CNN是一种用于对象检测和实例分割的深度学习模型，由Kaiming He、Ross Girshick、Kaiming He和Jason J. Dollar于2017年提出。该模型在 Faster R-CNN的基础上进行了扩展，不仅能够识别...
【目标检测】Mask RCNN的训练数据集是什么？(含labelimg和labelme的讲解)
wzk4869的博客
03-29 2686
【目标检测】Mask RCNN的训练数据集是什么？(含labelimg和labelme的讲解)
Faster_RCNN绘制P-R曲线、检测视频
03-14
共包含三个文件： demo_video.py用于训练好的模型进行视频检测； pr-curve.py用于绘制P-R曲线（方法一） pascal_voc.py用于绘制P-R曲线（方法二）
MASK R-CNN网络介绍
chase
03-11 3041
MASK R-CNN网络介绍
Mask R-CNN详解
kk123k的博客
01-22 2904
  一、Mask R-CNN网络介绍 Mask R-CNN是何凯明2017年提出的一个实例分割（Instance segmentation）算法，可以用来做“目标检测”、“目标实例分割”、“目标关键点检测”。，是ICCV2017的best paper。 Mask R-CNN网络的设计比较简单，①在Faster R-CNN的基础上，在原本的两个分支上（分类+坐标回归）增加一个简单的完全卷积网络...
【深度学习】mask_rcnn训练自己的数据集以及模型使用（实践结合GitHub项目）
python_AI_fans的博客
01-11 990
根据requirements - 开源项目默认的.txt进行库安装 环境：WIN10 + Anoconda + Pycharm + python3.6.2 mask_rcnn基本流程 1、训练 1)labelme进行目标物体标记，生成json文件，含点坐标、以及各个物体的标签label; json文件的格式：（在balloon.py中提到） # { 'filename': '28503151_5b5b7ec140_b.jpg', # 'regions': { #
『计算机视觉』Mask-RCNN_训练网络其一：数据集与Dataset类
weixin_33843409的博客
10-31 353
Github地址：Mask_RCNN 『计算机视觉』Mask-RCNN_论文学习 『计算机视觉』Mask-RCNN_项目文档翻译 『计算机视觉』Mask-RCNN_推断网络其一：总览 『计算机视觉』Mask-RCNN_推断网络其二：基于ReNet101的FPN共享网络 『计算机视觉』Mask-RCNN_推断网络其三：RPN锚框处理和Proposal生成 『计算机视觉』Mask-RCNN...
maskrcnn结构流程图
蒟蒻达的博客
12-09 3708
今天把几个月前学习maskrcnn网络过程中的图片整理一下，当时就是看这些图帮助理解的。 maskrcnn大体流程图： RPN:
Mask-R-CNN 学习笔记 | 深度学习
钟DiuDiu的博客
01-21 2165
Mask-R-CNN 学习笔记 | 深度学习
RCNN、FastRCNN、FasterRCNN、YOLO、SSD网络结构通俗解读（二）:FPN与Mask RCNN
夏之微风的博客
07-23 2511
这是目标检测专题系列的第二篇，重点上一篇文章中Faster RCNN的方法。前一篇文章链接在这里。链接: link。 FPN 前面讲完了Faster RCNN，其检测速度比最原始的RCNN提高了许多倍，精度也得到了提高。然而，Faster RCNN并不向传说中的那样完美。我们设想一下这种场景，假如一张图片中同时有老虎和猫，而老虎和猫体型相差太大，就会造成Faster RCNN识别不准确的情况。 Faster RCNN虽然自带多尺度信息，但是尺度覆盖范围非常有限。 我们可以先自己思考下如何解决这个问题。 有人
mask rcnn网络结构
最新发布
08-31
Mask-RCNN网络结构是在原始的Faster-RCNN算法基础上增加了一个FCN分支，用来产生对应的MASK分割结果。整个Mask-RCNN的结构可以简单描述为RPN (Region Proposal Network)、ROIAlign、Fast-RCNN和FCN的组合。 RPN负责...

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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