05 2018 档案
摘要：5月的最后一天，需要写点什么。 通过前几篇博客对Faster-RCNN算是有了一个比较全面的认识，接下来的半个月断断续续写了一些代码，基本上复现了论文。利用torchvision的VGG16预训练权重，在VOC02007trainval训练13个epoch，最后VOC2007test的map在0.6
阅读全文
摘要：因为之前对比了RoI pooling的几种实现，发现python、pytorch的自带工具函数速度确实很慢，所以这里再对Faster-RCNN中另一个速度瓶颈NMS做一个简单对比试验。 这里做了四组对比试验，来简单验证不同方法对NMS速度的影响。 方法1：纯python语言实现：简介方便、速度慢 方
阅读全文
摘要：Faster-RCNN论文中在RoI-Head网络中，将128个RoI区域对应的feature map进行截取，而后利用RoI pooling层输出7*7大小的feature map。在pytorch中可以利用： torch.nn.functional.adaptive_max_pool2d(inp
阅读全文
摘要：总结自论文：Faster_RCNN，与Pytorch代码： 本文主要介绍代码最后部分：trainer.py 、train.py ， 首先分析一些主要理论操作，然后在代码分析里详细介绍其具体实现。首先是训练与测试的过程图： 还是要再次强调： AnchorTargetCreator和ProposalTa
阅读全文
摘要：总结自论文：Faster_RCNN，与Pytorch代码： 本文主要介绍代码第二部分：model/ ， 首先分析一些主要理论操作，然后在代码分析里详细介绍其具体实现。 首先在参考文章的基础上进一步详细绘制了模型的流程图。在 上一篇博客中介绍了模型的上半部分，本文将对模型的下半部分做一介绍。 Fast
阅读全文
摘要：总结自论文：Faster_RCNN，与Pytorch代码： 本文主要介绍代码第二部分：model/utils ， 首先分析一些主要理论操作，然后在代码分析里详细介绍其具体实现。 一. 主要操作 1. bounding box回归： 目的是提高定位表现。在DPM与RCNN中均有运用。 1) RCNN版
阅读全文
摘要：总结自论文：Faster_RCNN，与Pytorch代码： 代码结构： simple-faster-rcnn-pytorch.py data __init__.py dataset.py util.py voc_dataset.py misc convert_caffe_pretain.py tra
阅读全文
