毕设日志——特征融合修改vgg16.py
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 ...
最新文章
- Java 责任链模式
- 你是AI王者吗?2018人工智能专业期末考试,66666奖学金等你来
- GDCM:DICOM文件转储飞利浦ECHO的测试程序
- 内核空间镜像攻击揭秘:ARM 硬件特性,竟能开启安卓8终端的上帝模式?
- Codrops 优秀教程:基于 CSS3 的全屏网页过渡特效
- oracle选择外键列,Oracle外键列上是否需要索引?
- 以DES的方式实现对称加密,并提供密钥
- 循序渐进之Spring AOP(3) - 配置代理
- 限流的简单使用及学习
- java的package需要大写吗,java 数字转大写的小程序
- MacBookpro安装mysql教程_mac安装mysql的两种方法
- Win7连接共享打印机时,报 0x00000bcb 错误
- AIX系统中 .toc文件是做什么用的
- 小白入门必学——python循环语句
- 移动硬盘插入电脑后不显示盘符
- Win7 DNS解析不准
- python request 报错 #No JSON object could be decoded
- 关系型数据库第四章笔记---关系数据理论
- 设置默认浏览器为Chrome
- 用计算机写作 说课稿,高中英语说课稿:《Module 2 Unit 3 Computer》优秀说课稿范例...