Hrnet
2021-04-21 22:29
标签：论文 mes https pen ret moment 介绍 ansi append cvpr2019 微软亚洲研究院的工作，主要思想是构建一个并行的多分辨率网络（有的应用只使用高分辨率特征，因此得名），这是一个系列的工作，包括分类，检测，分割等。终于来了一个非nas的网络。。。 项目地址 https://github.com/HRNet 知乎上的介绍 https://zhuanlan.zhihu.com/p/66848624 一篇讲的比较清楚的博客 https://ai-chen.github.io/%E8%AF%AD%E4%B9%89%E5%88%86%E5%89%B2%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB/2019/06/20/HrNet-V2.html 虽然讲的是v2，其实跟v1几乎没有区别，分类模型只是差了一个head。 分类模型的论文https://arxiv.org/pdf/1904.04514.pdf 下面单独补充下分类的head(可参考下结构 https://github.com/HRNet/HRNet-Image-Classification/blob/master/figures/cls-head.png) 分为三个部分，incre_modules用于分别增加三个分支的通道数目 down_modules用于降低三个分支的通道数目以及分辨率，便于进行融合，输出一个1024维的特征 final_layer通过一个1*1输出2048维的特征，用于最后的类别输出（2048×num_cls） Hrnet 标签：论文 mes https pen ret moment 介绍 ansi append 原文地址：https://www.cnblogs.com/573177885qq/p/12247311.htmldef _make_head(self, pre_stage_channels):
head_block = Bottleneck
head_channels = [32, 64, 128, 256]
# Increasing the #channels on each resolution
# from C, 2C, 4C, 8C to 128, 256, 512, 1024
incre_modules = []
for i, channels in enumerate(pre_stage_channels):
incre_module = self._make_layer(head_block,
channels,
head_channels[i],
1,
stride=1)
incre_modules.append(incre_module)
incre_modules = nn.ModuleList(incre_modules)
# downsampling modules
downsamp_modules = []
for i in range(len(pre_stage_channels)-1):
in_channels = head_channels[i] * head_block.expansion
out_channels = head_channels[i+1] * head_block.expansion
downsamp_module = nn.Sequential(
nn.Conv2d(in_channels=in_channels,
out_channels=out_channels,
kernel_size=3,
stride=2,
padding=1),
nn.BatchNorm2d(out_channels, momentum=BN_MOMENTUM),
nn.ReLU(inplace=True)
)
downsamp_modules.append(downsamp_module)
downsamp_modules = nn.ModuleList(downsamp_modules)
final_layer = nn.Sequential(
nn.Conv2d(
in_channels=head_channels[3] * head_block.expansion,
out_channels=2048,
kernel_size=1,
stride=1,
padding=0
),
nn.BatchNorm2d(2048, momentum=BN_MOMENTUM),
nn.ReLU(inplace=True)
)
return incre_modules, downsamp_modules, final_layer
上一篇：常见的PHP五大运行模式详解