4.22

# 去掉conv5_3后的relu和maxpooling两层
# conv5_3
CNN_base5_3 = nn.Sequential(*list(vgg.features._modules.values())[:-2])
RCNN_base5_3.add_module('conv1x1', nn.Conv2d(in_channels=512, out_channels=1024, kernel_size=1, padding=1))
RCNN_base5_3.add_module('deconv', nn.ConvTranspose2d(in_channels=1024, out_channels=1024, kernel_size=1, stride=2, padding=1))
# 去掉conv4_3后的relu和maxpooling两层
# conv4_3
RCNN_base4_3= nn.Sequential(*list(vgg.features._modules.values())[:-9])
RCNN_base4_3.add_module('conv1x1', nn.Conv2d(in_channels=512, out_channels=1024, kernel_size=1, padding=1))

print(RCNN_base4_3)
Sequential((0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(1): ReLU(inplace)(2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(3): ReLU(inplace)(4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(6): ReLU(inplace)(7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(8): ReLU(inplace)(9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(11): ReLU(inplace)(12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(13): ReLU(inplace)(14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(15): ReLU(inplace)(16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(18): ReLU(inplace)(19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(20): ReLU(inplace)(21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(conv1x1): Conv2d(512, 1024, kernel_size=(1, 1), stride=(1, 1), padding=(1, 1))
)

 print(RCNN_base5_3)
Sequential((0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(1): ReLU(inplace)(2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(3): ReLU(inplace)(4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(6): ReLU(inplace)(7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(8): ReLU(inplace)(9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(11): ReLU(inplace)(12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(13): ReLU(inplace)(14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(15): ReLU(inplace)(16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(18): ReLU(inplace)(19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(20): ReLU(inplace)(21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(22): ReLU(inplace)(23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(25): ReLU(inplace)(26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(27): ReLU(inplace)(28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(conv1x1): Conv2d(512, 1024, kernel_size=(1, 1), stride=(1, 1), padding=(1, 1))(deconv): ConvTranspose2d(1024, 1024, kernel_size=(1, 1), stride=(2, 2), padding=(1, 1))
)

# 可以根据标号直接访问层
vgg.features[0]

毕设日志——特征融合修改vgg16.py相关推荐

PLSL-SLAM：基于视觉点线特征融合SLAM（毕设开源，参考VINS-Fusion、PL-VIO、VLOAM）
概要:双目点线特征VIO+激光雷达点云深度增强视觉特征视频:B站 Bag包:链接:https://pan.baidu.com/s/1esy94hAgzWKazTELXuCtsQ 提取码:mj8k 外 ...
毕设日志——增加多尺度对应的不一样scale的RPN网络
4.25 错误 4.27 修改anchor不同的RPN,即conv5-3和conv4-3融合本来想运行一个epoch,结果运行成下面的没有指定epoch个数的: CUDA_VISIBLE_DEVIC ...
毕设日志——下一步计划2019.4.17
下一步改进faster rcnn的基本思路参考https://blog.csdn.net/Z5337209/article/details/72838049 将Faster-RCNN中的VGG16替 ...
目标检测算法横向比较，包括backbone、特征融合、loss、proposal/anchor/heatmap、NMS、正负样本设置等
目标检测算法发展移步:目标检测算法本文从算法改进的方向,进行横向比较,包括backbone,特征融合.loss.proposal/anchor/heatmap.NMS.正负样本设置等 Referen ...
层与特征融合_【计算机系统应用】（第122期）感受野特征增强的 SSD 目标检测算法...
点击上方"蓝字",关注我们吧! 目标检测是计算机视觉领域的一项重要任务, 是生活中如实例分割[1] , 面部分析[2] , 汽车自动驾驶[3].视频分析[4] 等各种视觉应用的 ...
毕设日志——在faster rcnn pytorch上训练KITTI数据集
本次目标: 整理运行代码产生的内容下载KITTI数据集和LSVH数据集修改数据集样式为VOC2007 在新的数据集上训测 2019.4.13 一.准备工作备份之前训练生成的文件models,ou ...
IEEE2019论文：使用基于特征融合和缩放的具有空间上下文分析的单镜头检测器在无人机图像中检测小物体
摘要: 无人机(UAV)图像中的目标由于拍摄高度较高通常都很小,我们虽然在目标检测方面已经做了很多工作,但是如何准确.快速地检测出小目标仍然是一个有待解决的挑战.本文针对无人机图像中的小目标检测问题, ...
目标检测中特征融合技术（YOLO v4）（上）
目标检测中特征融合技术(YOLO v4)(上) 论文链接:https://arxiv.org/abs/1612.03144 Feature Pyramid Networks for Object De ...
目标检测 | 盘点目标检测中的特征融合技巧（根据YOLO v4总结）
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达特征融合分类在深度学习的很多工作中(例如目标检测.图像分割),融 ...

毕设日志——特征融合修改vgg16.py

4.22

毕设日志——特征融合修改vgg16.py相关推荐

最新文章

热门文章