Создайте слой перестройки для сети обнаружения объектов YOLO v2
yolov2ReorgLayer
функция создает YOLOv2ReorgLayer
объект, который представляет слой перестройки для вас, смотрит только однажды версия 2 (YOLO v2) сеть обнаружения объектов. Слой перестройки реорганизовывает карты функции с высоким разрешением от нижнего уровня путем укладки смежных функций в различные каналы. Выход слоя перестройки питается слой конкатенации глубины. Слой конкатенации глубины конкатенирует реорганизованные функции с высоким разрешением с функциями с низкой разрешающей способностью от более высокого слоя.
создает слой перестройки для сети обнаружения объектов YOLO v2. Слой реорганизовывает размерность входных карт функции согласно размеру шага, заданному в layer
= yolov2ReorgLayer(stride
)stride
. Для получения дополнительной информации при создании сети YOLO v2 со слоем перестройки, см. Проект Сеть обнаружения YOLO v2 со Слоем Reorg.
Можно найти требуемое значение stride
использование:
Слой перестройки улучшает производительность сети обнаружения объектов YOLO v2 путем упрощения конкатенации функции от различных слоев. Это реорганизовывает размерность карты функции нижнего уровня так, чтобы это могло быть конкатенировано с более высокой картой функции слоя.
Рассмотрите входную карту функции размера [H W C], где:
H является высотой карты функции.
W является шириной карты функции.
C является количеством каналов.
Слой перестройки выбирает значения карты функции из местоположений на основе размеров шага в stride
и добавляет те значения функции в третью размерность C. Размер реорганизованной карты функции от слоя перестройки
[floor(H/stride(1)) floor(W/stride(2)) C×stride(1)×stride(2)]
.
Для конкатенации функции высота и ширина реорганизованной карты функции должны соответствовать с высотой и шириной более высокой карты функции слоя.
[1] Джозеф. R, С. К. Диввэла, Р. Б. Джиршик и Ф. Али. "Вы Только Взгляд Однажды: Объединенное, Обнаружение объектов В реальном времени". В Продолжениях Конференции по IEEE по Компьютерному зрению и Распознаванию образов (CVPR), стр 779–788. Лас-Вегас, NV: CVPR, 2016.
[2] Джозеф. R и Ф. Али. "YOLO 9000: Лучше, Быстрее, Более сильный". В Продолжениях Конференции по IEEE по Компьютерному зрению и Распознаванию образов (CVPR), стр 6517–6525. Гонолулу, HI: CVPR, 2017.
trainYOLOv2ObjectDetector
| yolov2Layers
| yolov2ObjectDetector
| yolov2OutputLayer
| yolov2TransformLayer