当前位置： 首页 > wzjs >正文

建材网站建设哪家淘宝怎么做引流和推广

wzjs 2025/8/28 6:45:29
建材网站建设哪家,淘宝怎么做引流和推广,世界杯竞猜网站开发,做淘宝美工的网站ASFF (Adaptively Spatial Feature Fusion) 方法针对单次射击物体检测器的特征金字塔中存在的不同特征尺度之间的不一致性问题，提出了一种新颖的数据驱动策略进行金字塔特征融合。通过学习空间上筛选冲突信息的方法，减少了特征之间的不一致性&#xff0c…

ASFF (Adaptively Spatial Feature Fusion) 方法针对单次射击物体检测器的特征金字塔中存在的不同特征尺度之间的不一致性问题，提出了一种新颖的数据驱动策略进行金字塔特征融合。通过学习空间上筛选冲突信息的方法，减少了特征之间的不一致性，提高了特征的尺度不变性，并且几乎不增加推理开销。

机制

ASFF策略首先将不同层级的特征调整到相同的分辨率，然后通过训练找到最优的融合方式。在每个空间位置上，不同层级的特征被适应性融合，即某些特征因为携带矛盾信息而被过滤掉，而某些特征则因含有更多判别性线索而占主导地位。这一过程是可微分的，因此可以通过反向传播轻松学习。

优势

1、提高准确性：

利用ASFF策略和一个坚实的YOLOv3基线，在MS COCO数据集上实现了最佳的速度-精度权衡，达到了38.1%的AP（平均精度）和60 FPS（每秒帧数）的检测速度。

2、模型通用性：

该方法与基础模型无关，适用于具有特征金字塔结构的单次射击检测器，实现简单，额外计算成本较低。

3、解决特征尺度不一致问题：

通过适应性学习特征融合权重，有效解决了特征金字塔中不同尺度特征之间的一致性问题，避免了在训练过程中的梯度不一致现象，提高了训练效率和检测准确性。

import torch
import torch.nn as nn
import torch.nn.functional as Fdef autopad(k, p=None):  # kernel, padding# Pad to 'same'if p is None:p = k // 2 if isinstance(k, int) else [x // 2 for x in k]  # auto-padreturn pclass Conv(nn.Module):# Standard convolutiondef __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True):  # ch_in, ch_out, kernel, stride, padding, groupssuper(Conv, self).__init__()self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p), groups=g, bias=False)self.bn = nn.BatchNorm2d(c2)self.act = nn.SiLU() if act is True else (act if isinstance(act, nn.Module) else nn.Identity())def forward(self, x):return self.act(self.bn(self.conv(x)))def forward_fuse(self, x):return self.act(self.conv(x))class ASFF(nn.Module):def __init__(self, level, multiplier=1, rfb=False, vis=False, act_cfg=True):"""multiplier should be 1, 0.5which means, the channel of ASFF can be512, 256, 128 -> multiplier=0.51024, 512, 256 -> multiplier=1For even smaller, you need change code manually."""# init asff_module = ASFF(level=1, multiplier=1, rfb=False, vis=False)super(ASFF, self).__init__()self.level = levelself.dim = [int(1024 * multiplier), int(512 * multiplier),int(256 * multiplier)]# print(self.dim)self.inter_dim = self.dim[self.level]if level == 0:self.stride_level_1 = Conv(int(512 * multiplier), self.inter_dim, 3, 2)self.stride_level_2 = Conv(int(256 * multiplier), self.inter_dim, 3, 2)self.expand = Conv(self.inter_dim, int(1024 * multiplier), 3, 1)elif level == 1:self.compress_level_0 = Conv(int(1024 * multiplier), self.inter_dim, 1, 1)self.stride_level_2 = Conv(int(256 * multiplier), self.inter_dim, 3, 2)self.expand = Conv(self.inter_dim, int(512 * multiplier), 3, 1)elif level == 2:self.compress_level_0 = Conv(int(1024 * multiplier), self.inter_dim, 1, 1)self.compress_level_1 = Conv(int(512 * multiplier), self.inter_dim, 1, 1)self.expand = Conv(self.inter_dim, int(256 * multiplier), 3, 1)# when adding rfb, we use half number of channels to save memorycompress_c = 8 if rfb else 16self.weight_level_0 = Conv(self.inter_dim, compress_c, 1, 1)self.weight_level_1 = Conv(self.inter_dim, compress_c, 1, 1)self.weight_level_2 = Conv(self.inter_dim, compress_c, 1, 1)self.weight_levels = Conv(compress_c * 3, 3, 1, 1)self.vis = visdef forward(self, x):  # l,m,s"""#256, 512, 1024from small -> large"""# forward output_feature = asff_module([level_2_feature, level_1_feature, level_0_feature])x_level_0 = x[2]  # 最大特征层 level_0_feature = (1, 1024, 20, 20)  # 大尺寸特征图 尺寸小通道多x_level_1 = x[1]  # 中间特征层 level_1_feature = (1, 512, 40, 40)   # 中尺寸特征图x_level_2 = x[0]  # 最小特征层 level_2_feature = (1, 256, 80, 80)   # 小尺寸特征图if self.level == 0:level_0_resized = x_level_0level_1_resized = self.stride_level_1(x_level_1)level_2_downsampled_inter = F.max_pool2d(x_level_2, 3, stride=2, padding=1)level_2_resized = self.stride_level_2(level_2_downsampled_inter)elif self.level == 1:level_0_compressed = self.compress_level_0(x_level_0) # (1, 1024, 20, 20) → self.compress_level_0 =  Conv2d(1024, 512, kernel_size=(1, 1), stride=(1, 1), bias=False) → (1, 512, 20, 20)level_0_resized = F.interpolate(level_0_compressed, scale_factor=2, mode='nearest') # (1, 512, 20, 20) → F.interpolate→ [1, 512, 40, 40]level_1_resized = x_level_1 #  [1, 512, 40, 40] → = → [1, 512, 40, 40]level_2_resized = self.stride_level_2(x_level_2) # [1, 256, 80, 80] → self.stride_level_2 = Conv2d(256, 512, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False) → [1, 512, 40, 40]elif self.level == 2:level_0_compressed = self.compress_level_0(x_level_0)level_0_resized = F.interpolate(level_0_compressed, scale_factor=4, mode='nearest')x_level_1_compressed = self.compress_level_1(x_level_1)level_1_resized = F.interpolate(x_level_1_compressed, scale_factor=2, mode='nearest')level_2_resized = x_level_2level_0_weight_v = self.weight_level_0(level_0_resized) # [1, 512, 40, 40] → self.weight_level_0 = (conv): Conv2d(512, 16, kernel_size=(1, 1), stride=(1, 1), bias=False) → [1, 16, 40, 40]level_1_weight_v = self.weight_level_1(level_1_resized) # [1, 512, 40, 40] → self.weight_level_1 = Conv2d(512, 16, kernel_size=(1, 1), stride=(1, 1), bias=False) → [1, 16, 40, 40]level_2_weight_v = self.weight_level_2(level_2_resized) # [1, 512, 40, 40] → self.weight_level_2 = Conv2d(512, 16, kernel_size=(1, 1), stride=(1, 1), bias=False) → [1, 16, 40, 40]levels_weight_v = torch.cat((level_0_weight_v, level_1_weight_v, level_2_weight_v), 1) # [1, 16, 40, 40],[1, 16, 40, 40],[1, 16, 40, 40] → cat → [1, 48, 40, 40]levels_weight = self.weight_levels(levels_weight_v) # [1, 48, 40, 40] → self.weight_levels = (conv): Conv2d(48, 3, kernel_size=(1, 1), stride=(1, 1), bias=False) → [1, 3, 40, 40]levels_weight = F.softmax(levels_weight, dim=1) # [1, 3, 40, 40] → F.softmax → [1, 3, 40, 40]fused_out_reduced = level_0_resized * levels_weight[:, 0:1, :, :] + \level_1_resized * levels_weight[:, 1:2, :, :] + \level_2_resized * levels_weight[:, 2:, :, :]# [1, 512, 40, 40] * [1, 1, 40, 40] + [1, 512, 40, 40] * [1, 1, 40, 40] + [1, 512, 40, 40] * [1, 1, 40, 40] →  [1, 512, 40, 40]out = self.expand(fused_out_reduced) # [1, 512, 40, 40] → self.expand = (conv): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False) → [1, 512, 40, 40]if self.vis:# self.vis = Falsereturn out, levels_weight, fused_out_reduced.sum(dim=1)else:return outif __name__ == "__main__":# 模拟的输入特征图，模拟三个不同尺度的特征图，例如来自一个多尺度特征提取网络的输出level_0_feature = torch.randn(1, 1024, 20, 20)  # 大尺寸特征图level_1_feature = torch.randn(1, 512, 40, 40)   # 中尺寸特征图level_2_feature = torch.randn(1, 256, 80, 80)   # 小尺寸特征图# 初始化ASFF模块，level表示当前ASFF模块处理的是哪个尺度的特征层，这里以处理中尺寸特征层为例# multiplier用于调整通道数，rfb和vis分别表示是否使用更丰富的特征表示和是否可视化asff_module = ASFF(level=1, multiplier=1, rfb=False, vis=False)# 通过ASFF模块传递特征图output_feature = asff_module([level_2_feature, level_1_feature, level_0_feature])# 打印输出特征图的形状，确保ASFF模块正常工作print(f"Output feature shape: {output_feature.shape}")# TODO 计算流程图、原文框架图、公式表示

http://www.dtcms.com/wzjs/516364.html

相关文章：

  • 网站开发项目中的rd十大放黄不登录不收费
  • 全球速卖通卖家注册商丘 峰少 seo博客
  • app开发方案网站seo排名优化工具
  • 用php做网站sem推广计划
  • 泉州app网站开发长春网站开发公司
  • 集团公司网站建设方案南京百度推广开户
  • 公安用什么系统做网站湖南网站建设推荐
  • 网页模板好的网站好seo怎么学在哪里学
  • 公司网站可以分两个域名做吗做一个app软件大概要多少钱
  • 做网站公司 深圳信科优秀网站设计网站
  • 做网站海口学生网页制作成品
  • 动物做logo的网站网络营销的特点不包括
  • 网站建设项目招标标书小熊猫seo博客
  • 百度搜索优化关键词排名图片优化网站
  • 怎么做盗版网站吗网站建设包括哪些内容
  • 平面设计图网站企业网站
  • 百度建设自己的网站考研培训班集训营
  • 网站建设1993seo口碑营销的案例及分析
  • 夺宝网站怎样做优化网络推广好做吗多少钱
  • 怎么做快三一模一样的网站zoho crm
  • 俄罗斯网站建设搭建网站费用是多少
  • 搭积木建网站软件手机网站排名优化
  • 台山网站建设个人永久免费自助建站
  • asp网站做安全游戏代理推广渠道
  • 信访举报网站建设情况总结edm营销
  • 一个完整的网站建设zac seo博客
  • 网站内部资源推广怎么做国际新闻最新消息十条
  • php网站开发报告360优化大师安卓下载
  • 怎么测试一个网站要做网络推广
  • 招聘网站开发工程师武汉企业seo推广