_predictions['rpn_cls_score_reshape'], [-1, 2]) #将rpn层的分类得分reshape shape=[1,h,w,18]--->[h*w*9,2] rpn_label = tf.reshape(self._anchor_targets['rpn_labels'], [-1]) #[-1]是一行,将rpn的标签转为行向量,rpn_labels:shape=(1,1,
目标检测算法可以分为两类,一类是基于Region Proposal的R-CNN系算法(R-CNN,Fast R-CNN, Faster R-CNN),它们是two-stage的,需要先使用启发式方法(selective search)或者CNN网络(RPN)产生Region Proposal,然后再在Region Proposal上做分类与回归。而另一类是Yolo和SSD,这类是one-stage算法,其仅仅使用一个CNN网络直...
提出了一个RetinaNet,采用的是Resnet+FPN作为backbone,cls和reg两路subnet分别加在各个Pyramid level上, Figure3。 Anchors: 作者用了translation-invariant anchor boxes 平移不变锚与RPN的变体相似。这个anchor在金字塔层P3到P7有相应的 32^2 到 512^2 的区域。在每个金字塔层,作者用的长宽比是{ 1:2,1:1...
loss_rpn_cls、loss_rpn_bbox和loss都在下降,但loss_cls和loss_bbox一直为0,eval的结果也是map为0。如下 2020-10-19 10:11:44,500-INFO: Start evaluate...2020-10-19 10:11:44,501-INFO: Accumulating evaluatation results...2020-10-19 10:11:44,501-INFO: mAP(0.50, 11point) = 0.00%2020-...
defcos_loss(x,y,num_cls,reuse=False,alpha=0.25,scale=64,name='cos_loss'):'''x:BxD-featuresy:Bx1-labelsnum_cls:1-totalclassnumberalpah:1-marginscale:1-scaling paramter''' # define the classifier weights xs=x.get_shape()y=tf.reshape(tf.cast(y,dtype=tf.int32),[-1])withtf.variab...
提出了一个RetinaNet,采用的是Resnet+FPN作为backbone,cls和reg两路subnet分别加在各个Pyramid level上,Figure3。 Anchors: 作者用了translation-invariant anchor boxes 平移不变锚与RPN的变体相似。这个anchor在金字塔层P3到P7有相应的 32^2 到 512^2 的区域。在每个金字塔层,作者用的长宽比是{ 1:2,1:1,2:1...
Mask RCNN类instance seg的方法是否也可以one shot？这个看上去非常有诱惑力~如果在RPN中使用了Focal ...