可變形卷積解讀和程式碼實現（TF）

阿新 • • 發佈：2018-12-10

#呼叫普通卷積獲得輸出，輸出結果為(b,h,w,2c)表示圖片中每個畫素需要偏移的量（x,y) offsets = super(ConvOffset2D, self).call(x) #reshape一下輸出，方便後續操作，(b*c,h,w,2)表示共有b*c個圖片，每個圖片為h*w大小，每個畫素對應2個方向 # offsets: (b*c, h, w, 2) offsets = self._to_bc_h_w_2(offsets, x_shape) #將原始輸入也重新reshape一下方便後續操作 # x: (b*c, h, w) x = self

._to_bc_h_w(x, x_shape) #呼叫deform_conv.py中的函式根據原始圖片與偏移量生成新圖片資料。 # X_offset: (b*c, h, w) x_offset = tf_batch_map_offsets(x, offsets) # x_offset: (b, h, w, c) x_offset = self._to_b_h_w_c(x_offset, x_shape) return x_offset def compute_output_shape(self, input_shape): """Output shape is the same as input shape

Because this layer does only the deformation part """ return input_shape @staticmethod def _to_bc_h_w_2(x, x_shape): """(b, h, w, 2c) -> (b*c, h, w, 2)""" x = tf.transpose(x, [0, 3, 1, 2]) x = tf.reshape(x, (-1, int(x_shape[1]), int(x_shape[2]), 2)) return x @staticmethod def _to_bc_h_w

(x, x_shape): """(b, h, w, c) -> (b*c, h, w)""" x = tf.transpose(x, [0, 3, 1, 2]) x = tf.reshape(x, (-1, int(x_shape[1]), int(x_shape[2]))) return x @staticmethod def _to_b_h_w_c(x, x_shape): """(b*c, h, w) -> (b, h, w, c)""" x = tf.reshape( x, (-1, int(x_shape[3]), int(x_shape[1]), int(x_shape[2])) ) x = tf.transpose(x, [0, 2, 3, 1]) return x

可變形卷積解讀和程式碼實現（TF）

可變形卷積解讀和程式碼實現（TF）

感知機演算法（Perceptron Learning Algorithm）和程式碼實現（Python）

深度學習之卷積神經網路程式設計實現（二）

deformable convolution（可變形卷積）演算法解析及程式碼分析

Python CNN卷積神經網路程式碼實現

積神經網路結構變化——可變形卷積網路deformable convolutional networks

關於影象的二維卷積各種版本的實現（C++，Cuda和mex）

卷積的Matlab程式碼實現

【GCN】圖卷積網路初探——基於圖（Graph）的傅立葉變換和卷積

影象卷積操作的手動實現（基於opencv的C++編譯環境）

ASp.Net Websocket 環境支援和前端程式碼實現（二）

K-means和K-means++演算法程式碼實現（Python）

SQLite學習筆記（十）-- 事務基本概念和程式碼實現（C++實現）

幾大排序演算法的理解和程式碼實現（超級詳細的過程）

歸併法的程式碼實現（python）

Java常用的八種排序演算法與程式碼實現（三）：桶排序、計數排序、基數排序

Java常用的八種排序演算法與程式碼實現（二）：歸併排序法、快速排序法

支援向量機（SVM）和python實現（三）

ORB-SLAM2從理論到程式碼實現（八）：Tracking.cc程式詳解（下）

sublime中基礎的程式碼實現（1）

可變形卷積解讀和程式碼實現（TF）

相關推薦