位置: IT常识 - 正文

DeepLabV3+:Mobilenetv2的改进以及浅层特征和深层特征的融合

编辑:rootadmin
DeepLabV3+:Mobilenetv2的改进以及浅层特征和深层特征的融合

目录

Mobilenetv2的改进

浅层特征和深层特征的融合

完整代码

参考资料


Mobilenetv2的改进

推荐整理分享DeepLabV3+:Mobilenetv2的改进以及浅层特征和深层特征的融合,希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:,内容如对您有帮助,希望把文章链接给更多的朋友!

在DeeplabV3当中,一般不会5次下采样,可选的有3次下采样和4次下采样。因为要进行五次下采样的话会损失较多的信息。

在这里mobilenetv2会从之前写好的模块中得到,但注意的是,我们在这里获得的特征是[-1],也就是最后的1x1卷积不取,只取循环完后的模型。

down_idx是InvertedResidual进行的次数。

# t, c, n, s[1, 16, 1, 1], [6, 24, 2, 2],    2[6, 32, 3, 2],    4[6, 64, 4, 2],    7  [6, 96, 3, 1],[6, 160, 3, 2],   14[6, 320, 1, 1], 

根据下采样的不同,当downsample_factor=8时,进行3次下采样,对倒数两次,步长为2的InvertedResidual进行参数的修改,让步长变为1,膨胀系数为2。

DeepLabV3+:Mobilenetv2的改进以及浅层特征和深层特征的融合

当downsample_factor=16时,进行4次下采样,只需对最后一次进行参数的修改。

import torchimport torch.nn as nnimport torch.nn.functional as Ffrom functools import partialfrom net.mobilenetv2 import mobilenetv2from net.ASPP import ASPPclass MobileNetV2(nn.Module): def __init__(self, downsample_factor=8, pretrained=True): super(MobileNetV2, self).__init__() model = mobilenetv2(pretrained) self.features = model.features[:-1] self.total_idx = len(self.features) self.down_idx = [2, 4, 7, 14] if downsample_factor == 8: for i in range(self.down_idx[-2], self.down_idx[-1]): self.features[i].apply( partial(self._nostride_dilate, dilate=2) ) for i in range(self.down_idx[-1], self.total_idx): self.features[i].apply( partial(self._nostride_dilate, dilate=4) ) elif downsample_factor == 16: for i in range(self.down_idx[-1], self.total_idx): self.features[i].apply( partial(self._nostride_dilate, dilate=2) ) def _nostride_dilate(self, m, dilate): classname = m.__class__.__name__ if classname.find('Conv') != -1: if m.stride == (2, 2): m.stride = (1, 1) if m.kernel_size == (3, 3): m.dilation = (dilate//2, dilate//2) m.padding = (dilate//2, dilate//2) else: if m.kernel_size == (3, 3): m.dilation = (dilate, dilate) m.padding = (dilate, dilate) def forward(self, x): low_level_features = self.features[:4](x) x = self.features[4:](low_level_features) return low_level_features, x

forward当中,会输出两个特征层,一个是浅层特征层,具有浅层的语义信息;另一个是深层特征层,具有深层的语义信息。

浅层特征和深层特征的融合

 具有高语义信息的部分先进行上采样,低语义信息的特征层进行1x1卷积,二者进行特征融合,再进行3x3卷积进行特征提取

self.aspp = ASPP(dim_in=in_channels, dim_out=256, rate=16//downsample_factor)

这一步就是获得那个绿色的特征层;

low_level_features = self.shortcut_conv(low_level_features)

从这里将是对浅层特征的初步处理(1x1卷积);

x = F.interpolate(x, size=(low_level_features.size(2), low_level_features.size(3)), mode='bilinear', align_corners=True)x = self.cat_conv(torch.cat((x, low_level_features), dim=1))

上采样后进行特征融合,这样我们输入和输出的大小才相同,每一个像素点才能进行预测;

完整代码# deeplabv3plus.pyimport torchimport torch.nn as nnimport torch.nn.functional as Ffrom functools import partialfrom net.xception import xceptionfrom net.mobilenetv2 import mobilenetv2from net.ASPP import ASPPclass MobileNetV2(nn.Module): def __init__(self, downsample_factor=8, pretrained=True): super(MobileNetV2, self).__init__() model = mobilenetv2(pretrained) self.features = model.features[:-1] self.total_idx = len(self.features) self.down_idx = [2, 4, 7, 14] if downsample_factor == 8: for i in range(self.down_idx[-2], self.down_idx[-1]): self.features[i].apply( partial(self._nostride_dilate, dilate=2) ) for i in range(self.down_idx[-1], self.total_idx): self.features[i].apply( partial(self._nostride_dilate, dilate=4) ) elif downsample_factor == 16: for i in range(self.down_idx[-1], self.total_idx): self.features[i].apply( partial(self._nostride_dilate, dilate=2) ) def _nostride_dilate(self, m, dilate): classname = m.__class__.__name__ if classname.find('Conv') != -1: if m.stride == (2, 2): m.stride = (1, 1) if m.kernel_size == (3, 3): m.dilation = (dilate//2, dilate//2) m.padding = (dilate//2, dilate//2) else: if m.kernel_size == (3, 3): m.dilation = (dilate, dilate) m.padding = (dilate, dilate) def forward(self, x): low_level_features = self.features[:4](x) x = self.features[4:](low_level_features) return low_level_features, xclass DeepLab(nn.Module): def __init__(self, num_classes, backbone="mobilenet", pretrained=True, downsample_factor=16): super(DeepLab, self).__init__() if backbone=="xception": # 获得两个特征层:浅层特征 主干部分 self.backbone = xception(downsample_factor=downsample_factor, pretrained=pretrained) in_channels = 2048 low_level_channels = 256 elif backbone=="mobilenet": # 获得两个特征层:浅层特征 主干部分 self.backbone = MobileNetV2(downsample_factor=downsample_factor, pretrained=pretrained) in_channels = 320 low_level_channels = 24 else: raise ValueError('Unsupported backbone - `{}`, Use mobilenet, xception.'.format(backbone)) # ASPP特征提取模块 # 利用不同膨胀率的膨胀卷积进行特征提取 self.aspp = ASPP(dim_in=in_channels, dim_out=256, rate=16//downsample_factor) # 浅层特征边 self.shortcut_conv = nn.Sequential( nn.Conv2d(low_level_channels, 48, 1), nn.BatchNorm2d(48), nn.ReLU(inplace=True) ) self.cat_conv = nn.Sequential( nn.Conv2d(48+256, 256, kernel_size=(3,3), stride=(1,1), padding=1), nn.BatchNorm2d(256), nn.ReLU(inplace=True), nn.Dropout(0.5), nn.Conv2d(256, 256, kernel_size=(3,3), stride=(1,1), padding=1), nn.BatchNorm2d(256), nn.ReLU(inplace=True), nn.Dropout(0.1), ) self.cls_conv = nn.Conv2d(256, num_classes, kernel_size=(1,1), stride=(1,1)) def forward(self, x): H, W = x.size(2), x.size(3) # 获得两个特征层,low_level_features: 浅层特征-进行卷积处理 # x : 主干部分-利用ASPP结构进行加强特征提取 low_level_features, x = self.backbone(x) x = self.aspp(x) low_level_features = self.shortcut_conv(low_level_features) # 将加强特征边上采样,与浅层特征堆叠后利用卷积进行特征提取 x = F.interpolate(x, size=(low_level_features.size(2), low_level_features.size(3)), mode='bilinear', align_corners=True) x = self.cat_conv(torch.cat((x, low_level_features), dim=1)) x = self.cls_conv(x) x = F.interpolate(x, size=(H, W), mode='bilinear', align_corners=True) return x参考资料

DeepLabV3-/论文精选 at main · Auorui/DeepLabV3- (github.com)

(6条消息) 憨批的语义分割重制版9——Pytorch 搭建自己的DeeplabV3+语义分割平台_Bubbliiiing的博客-CSDN博客

本文链接地址:https://www.jiuchutong.com/zhishi/290684.html 转载请保留说明!

上一篇:解决RTX 3090 with CUDA capability sm_86 is not compatible with the current PyTorch installation.(解决脱发的8个方法)

下一篇:在妈妈身旁玩耍的北极熊宝宝们,加拿大曼尼托巴省 (© Andre Gilden/Minden Pictures)(在妈妈身边的说说)

  • 税务五化是指
  • 车辆消费税征税范围是什么
  • 所得税退税会计账务怎么处理
  • 结转净利润到利润分配分录
  • 最新的税收政策
  • 票据贴现利息怎么做账
  • 向非关联企业捐赠现金会计分录
  • 教育服务增值税纳税义务发生时间
  • 转账支票需要哪些资料
  • 财务申报工资和实际发工资
  • 购买货物运费怎么做分录
  • 收到老板给的购房发票
  • 企业个人所得税逾期未申报怎么办
  • 进项票已认证忘记开票
  • 购金蝶软件记什么科目
  • 所得税按利润总额的25%计算缴纳
  • 固定资产借方表示什么意思
  • 工会经费返还账务处理,另记账么
  • 销售退货怎么开红字
  • 小规模纳税人有销无进是什么意思
  • dell笔记本如何恢复系统
  • harmonyos2.0缺点
  • 员工可以一起辞职吗
  • 建筑工程劳务费占比例
  • 购买方已认证的专票怎么红冲
  • bios 怎么进去
  • 应交所得税和所得税费用的区别计算公式
  • 微软window
  • win11怎么清理内存
  • 计提减值后折旧年限怎么算
  • php 缓存
  • 周转材料摊销是什么科目
  • codeigniter3中文手册
  • php使用自定义函数编程求半径r的圆的周长和面积
  • php fgetcsv
  • 补付转账支票会退回吗
  • 网络模型参数方法
  • Js模板字符串添加点击事件
  • matching path
  • PHP+Apache+Mysql环境搭建教程
  • 保险公司应收保费汇报范文
  • springmvc的执行流程
  • 本年利润弥补以前年度亏损分录
  • 新建配电房需要哪些手续
  • 本期应纳税额是怎么算
  • java8 (jdk 1.8) 新特性——Lambda
  • 织梦怎么用
  • 员工高铁票能抵扣吗
  • 企业研发费用的优惠政策
  • 当月进项发票忘认证又开了销项税额怎么办
  • 单位出租不动产,按照5%的征收率计算应纳税额
  • 房地产预缴增值税计算公式
  • 技术人员工资计入生产成本吗
  • 利润分配贷方余额怎么处理
  • 砂石资源税怎么算
  • 报销核销
  • 报废车收到的钱怎么做账
  • 关于新修订的未保法
  • 直接收到货款也要走应收账款吗
  • 企业利润分为四个方面
  • 私营公司商业汇票怎么开
  • windows安装mysql5.7详细步骤
  • 重装win7系统后鼠标反应慢
  • win2003怎么安装
  • win2003注册表空间不足
  • win10找不到打印机驱动
  • winxp系统怎么装
  • mac禁用标志
  • centos5.5加固
  • linux deploy 无root
  • win8任务管理器未响应怎么解决
  • 电子书进不去系统原因
  • 安卓listview用法
  • js用什么编写
  • 简述matlab中控制系统的数学描述类型
  • js 单击弹出对话框
  • 11%税率的范围
  • 广东省地方税务局征收社会保险费欠费管理暂行办法
  • 出售固定资产税收怎么算
  • 营销代码是多少
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设