[id_12[id_28[]]298[[]3736]]id_14[[[id_2[]]0]99]9125[]1]
[[[]16765]5931]
代码：Code
该运算工具，也就是用于内容识别特征整合的运算工具，是一种无需安装即可使用的便捷型运算工具，它具备如下特性：
该过程分为两个阶段进行。第一阶段要依据各个目标点的信息来推算出一个重组核，第二阶段则运用该预测出的核对特征实施重组。整体上由两大单元构成：一个是核预测单元，另一个是内容识别的重组单元。核预测单元具体包含三个子单元，它们分别是通道压缩单元、信息编码单元和核标准化单元，这些单元协同作用以产生上采样核。具体而言，通道压缩器是一种1 × 1的卷积操作，其作用在于减少输入特征图的通道数量，从而降低后续处理的计算负担。内容编码器则涉及一个特定尺寸的上采样核；倘若需要在多个位置采用不同的上采样核，那么所期望的上采样核的形态应当是 × × 的结构
这个技术，就是针对通道压缩器生成的特征图，通过一个 × 尺寸的卷积层来计算上采样核，从而获得更大的上采样核，因为上采样核尺寸越大，其对应的感受野就越宽广。而核归一化器，其作用就是对这些上采样核实施归一化处理。[id_[]]
代码
'''
该文献的链接地址为https://arxiv.org/abs/1905.02188, 这是一份重要的学术资料, 许多研究者都对此感兴趣, 它包含了丰富的数据和详尽的分析, 值得深入阅读和探讨。
c:输入通道数
尺度：进行放大处理，以提升图像的分辨率，原尺寸h*w将转变为新的尺寸(h乘以比例系数)乘以(w乘以比例系数)。
'''
class CARAFE(nn.Module):
def [id_599792563](self, c, k_enc=3, k_up=5, c_mid=64, scale=2):
这个非官方的模块实现版本。
具体内容请参考 "https://arxiv.org/abs/1905.02188"。
Args:
输入和输出的频道编号相同。
c_mid是压缩后的频道编号
比例：预计的放大倍率。
k_up：用于重装的核心的尺寸，具体数值是多少
k_enc代表编码器的核心维度，具体数值为该组件的尺寸。
Returns:
X: The upsampled feature map.
"""
[id_326831630](CARAFE, self).__init__()
self.scale = scale
self.comp = Conv(c, c_mid)
self.enc = Conv(c_mid, (scale * k_up) ** 2, k=k_enc, act=False)
self.pix_shf = nn.PixelShuffle(scale)
self.upsmp = nn.Upsample(scale_factor=scale, mode='nearest')
self.unfold = nn.Unfold(kernel_size=k_up, dilation=scale,
padding=k_up // 2 * scale)
def forward(self, X):
b, c, h,[id_1567083778]= X.size()
h_, w_ = h * self.scale, w * self.scale
W = self.comp(X) # b * m * h * w
W = self.[id_644619863](W) # b * 100 * h * w
W = self.pix_shf(W) # b * 25 * h_ * w_
W = torch.softmax(W, dim=1) # b * 25 * h_ * w_
X = self.upsmp(X) # b * c * h_ * w_
X = self.unfold(X) # b * 25c * h_ * w_
X = X.view(b, c, -1, h_, w_) # b * 25 * c * h_ * w_
X = torch.einsum('bkhw,bckhw->bchw', [W, X]) # b * c * h_ * w_
return X
引入中
在.py中添加上面的class
在yolo.py的()函数中添加如下代码
elif m is Contract:
c2 = ch[f] * args[0] ** 2
elif m is Expand:
c2 = ch[f] // args[0] ** 2
elif m is CARAFE:
c2 = ch[f]
args = [c2, *args]
将的上采样全部换成该算子：
YOLOv5 是由 Ultralytics 开发的，采用 AGPL-3.0 许可证
# Parameters
nc: 80 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
anchors:
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32
# YOLOv5 v6.0 backbone
backbone:
从那个编号的模块里获取信息，需要知道来源编号，并且要带参数，参数是特定的那几个
[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 6, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
# YOLOv5 v6.0 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, CARAFE, [3, 5]],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, C3, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, CARAFE, [3, 5]],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3, [1024, False]], # 23 (P5/32-large)
[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
参数3和参数5具备可更改性，论文里列出了若干选项，3和5被视作最优值，用户可依据自身数据集进行测试并加以变动。
实验
测试数据集时，模型作为参照标准，原始数据集的检测精度为32.9%。替换上采样转换算子，其他参数维持不变，优化后的模型检测精度达到33.8%，提升了约1个百分点，表明该算子性能更优。
实验模型下载链接
百度云
提取码：j7zw