Faster rcnn代码理解（4）
2024-10-15 03:29:42
上一篇我们说完了AnchorTargetLayer层，然后我将Faster rcnn中的其他层看了，这里把ROIPoolingLayer层说一下；
我先说一下它的实现原理：RPN生成的roi区域大小是对应与输入图像大小（而且每一个roi大小都不同，因为先是禅城九种anchors，又经过回归，所以大小各不同），所以在ROIPoolingLayer层中，先将每一个roi区域映射到经过conv5的feature map上，然后roi对应于feature map上的这一块区域再经过pooling操作映射到一个固定大小的区域，这里我们用feature map_2表示，Faster rcnn中这个feature map_2的大小设为了6*6。而pooling操作就是feature map_2上的每一个点对应于feature map上roi区域上的一个部分中的最大值～具体看代码：
上面代码中的spatial_scale在Faster rcnn中为1/16（因为卷积层没有改变大小，只有pool层改变了大小，所以1/16实际就是pool层的级联），上面实现了setup()函数和reshape()函数，接下来就看前向传播了：
上面代码中：
这一部分实现了RoiPooling中的pool操作，其实就是max操作；
最后为了理解，附上灵魂画师的图：
最新文章
- .NET Core采用的全新配置系统[7]: 将配置保存在数据库中
- [wxWidgets] 1. 安装及"hello world"程序
- 一段比较有意思的代码——介绍system verilog中的新增幅值语句
- HDU 4911 http://acm.hdu.edu.cn/showproblem.php?pid=4911(线段树求逆序对）
- [BZOJ3872][Poi2014]Ant colony
- 如何在 webApi 当中接收 Gzip 压缩或者加密后的 请求消息内容！
- 研究一下TForm.WMPaint过程（也得研究WM_ERASEBKGND）——TForm虽然继承自TWinControl，但是自行模仿了TCustomControl的全部行为，一共三种自绘的覆盖方法，比TCustomControl还多一种
- 工作流引擎JFlow与activiti 对比分析（一）5种基本控制流模式的对比
- Android源代码编译过程及指令
- 快速搭建ELK日志分析系统
- Python学习（二十三）—— 前端基础之jQuery
- 2019清明期间qbxt培训qwq
- Mad Libs游戏：熟悉python编程环境，基本输入输出
- 用matlab生成mif文件
- SpringMVC+Swagger详细整合
- Yosimite10.10(Mac os)安装c/c++内存检测工具valgrind
- 使用super调用父类的构造方法
- list排序，顺序，倒序
- 【计算机视觉】如何使用opencv自带工具训练人脸检测分类器
- 01_Docker概念简介、组件介绍、使用场景和命名空间