【pytorch】目标检测：对照网络结构图手动编写旷视DetNet的block：Detneck-CFANZ编程社区

【pytorch】目标检测：对照网络结构图手动编写旷视DetNet的block：Detneck

DetNet模块，引入了空洞卷积，在增大感受野的同时，保持了特征图尺寸大小不变。DetNet在保持网络结构中前4个stage与ResNet一致，新增第5及第6个stage专用于检测，主要区别在于，以空洞卷积替换了原有的resnet卷积中的3x3部分,整体不改变输出特征图的大小。
在这里插入图片描述
如上图，DetNet的block有两种模式，当block输入通道等于block输出通道的图A，以及带有shortcut,输入通道不等于输出通道的图B。下面来实现图B所示网络结构模块：

# python中lambda只能跟表达式
cnnWithReluAndBn = lambda indim, outdim, ksize, padding, dilation=1,hasRelu=True: \
    nn.Sequential(nn.Conv2d(indim, outdim, kernel_size=ksize, padding=padding,dilation=dilation), nn.BatchNorm2d(outdim), nn.ReLU(True)) \
        if hasRelu else nn.Sequential(nn.Conv2d(indim, outdim, kernel_size=ksize, padding=padding,dilation=dilation),nn.BatchNorm2d(outdim))

class myCustomerDetneck(nn.Module):
    #inchannel,outchannel为输入及输出的通道数：
    def __init__(self,inchannel,outchanel,hasShortCutCnn=False):
        super().__init__()
        self.mainBranch=[]
        self.shortCut=[]
        #构造主干网络,根据空洞卷积特征图大小计算公式，其等价于一个卷积核大小为3+(3-1)*(2-1)=5的普通卷积，其特征图大小为:s-5+2*2+1=s,输出特征图大小不改变。
        self.mainBranch=nn.Sequential(cnnWithReluAndBn(inchannel,outchanel,1,0),cnnWithReluAndBn(outchanel,outchanel,3,2,dilation=2),
                                      cnnWithReluAndBn(outchanel,outchanel,1,0,hasRelu=False))
        self.shortCutCnn=None
        #如果shortcut上包含普通卷积，则普通卷积是一个1X1调节输出通道数的卷积
        if hasShortCutCnn:
            self.shortCutCnn=cnnWithReluAndBn(inchannel,outchanel,1,0,hasRelu=False)
    def forward(self,x):
        x1 = self.mainBranch(x)
        if self.shortCut is not None:
             return nn.ReLU(False)(x1 + self.shortCutCnn(x))
        else:
             return nn.ReLU(False)(x1 + x)

#进行实际测试：
myNet=myCustomerDetneck(3,16,True)
k = torch.rand(1, 3, 56, 56)
print(myNet(k).shape)

输出结果为：

torch.Size([1, 16, 56, 56])

0 条评论