Слой нейронной сети раньше выводил карты функции фиксированного размера для прямоугольных КОРОЛЕЙ
ROI, макс. объединяющий слой выходная функция фиксированного размера, сопоставляет для каждого прямоугольного ROI в рамках входной карты функции. Используйте этот слой, чтобы создать Быструю или Более быструю сеть обнаружения объектов R-CNN.
Учитывая входную карту функции размера [H
W
C
N], где C является количеством каналов и N, количество наблюдений, выходным размером карты функции является [height
width
C
sum (M)], где height и width являются выходным размером. M является вектором длины, N и M (i) являются количеством КОРОЛЕЙ, сопоставленных с i-th входная карта функции.
Существует два входных параметров к этому слою:
\in Входная карта функции, которая будет обрезана
'roi' — Список КОРОЛЕЙ, чтобы объединить
Используйте входные имена при соединении или разъединении ROI, макс. объединяющего слой к другим слоям с помощью connectLayers, или disconnectLayers (требует Deep Learning Toolbox™).
layer = roiMaxPooling2dLayer(outputSize)layer = roiMaxPooling2dLayer(outputSize,'Name',Name)layer = roiMaxPooling2dLayer(outputSize) создает макс. слой объединения для КОРОЛЕЙ и устанавливает свойство OutputSize.
Создайте слой входа ROI.
roiInput = roiInputLayer('Name','roi_input');
Создайте ROI, макс. объединяющий слой с выходным размером [4 4].
outputSize = [4 4]; roiPool = roiMaxPooling2dLayer(outputSize,'Name','roi_pool');
Добавьте слои в LayerGraph.
lgraph = layerGraph; lgraph = addLayers(lgraph,roiInput); lgraph = addLayers(lgraph,roiPool);
Укажите, что вывод слоя входа ROI является входом 'roi' ROI, макс. объединяющего слой.
lgraph = connectLayers(lgraph,'roi_input','roi_pool/roi'); plot(lgraph)
connectLayers | layerGraph | maxPooling2dLayer | removeLayers | roiInputLayer | trainFastRCNNObjectDetector | trainFasterRCNNObjectDetector