在特征图上按照高斯公式计算置信度

centerNet中计算分类target的方法就是使用高斯公式

对于每一个gt_box，我们首先得到中心点，然后就可以根据这个中心点和特征图的长宽计算置信度图了

最后算出来的置信度是以中心点为圆心，整个特征图外接圆的半径为半径的高斯分布置信度

import torch
import numpy as np
import matplotlib.pyplot as plt
import math
import time# 计算矩形外接圆的半径
# R = sqrt(h^2 + w^2)/2
def get_radius(height, width):r = math.sqrt(height**2 + width**2) / 2return int(r)def gaussian2d(shape, sigma=1):shape[0] = int(shape[0])shape[1] = int(shape[1])mask_gaussian = torch.zeros(shape[0], shape[1])x, y = shape[0]//2, shape[1]//2quanzhong = 1/(math.sqrt(2*3.1415)*sigma)fenmu = 2*sigma**2for i in range(shape[0]):for j in range(shape[1]):value = math.exp(-((i-x)**2+(j-y)**2)/fenmu)mask_gaussian[i][j] = quanzhong*valuereturn mask_gaussian# heatmap说特征图，center记录的是中心点的坐标
# radius是半径，k是高斯值被放大的倍数
def draw_gaussian_mask(heatmap, center, radius, k=1):center_x = center[0]center_y = center[1]height = heatmap.shape[0]width = heatmap.shape[1]diameter = radius*2 + 1gaussian = gaussian2d([diameter, diameter], sigma=diameter/6)# 计算边界，防止越界left = min(center_x, radius)right = min(width - center_x, radius+1)top = min(center_y, radius)bottom = min(height-center_y, radius+1)# 将相应区域取出来，这里修改mask_heatmap的时候heatmap也会相应改变masked_heatmap = heatmap[center_y-top:center_y+bottom, center_x-left:center_x+right]masked_gaussian = gaussian[(radius-top):(radius+bottom),(radius-left):(radius+right)]# 更新网络if min(masked_gaussian.shape) > 0 and min(masked_heatmap.shape) > 0:np.maximum(masked_heatmap, masked_gaussian * k, out=masked_heatmap.numpy())plt.imshow(heatmap)plt.colorbar()plt.show()return heatmapif __name__ == "__main__":st = time.time()heatmap = torch.zeros(224,224)center = [125,125]radius = get_radius(heatmap.shape[0], heatmap.shape[1])heatmap = draw_gaussian_mask(heatmap, center, radius)print("cost time:%.4fs"%(time.time()-st))

在特征图上按照高斯公式计算置信度相关推荐

【pytorch】自己实现精简版YOLOV3【二】，通过darknet_53输出的特征图：得到预测框位置、置信度以及目标类别
接上篇博文: YOLOv3网络在三个特征图中预测出( 4 + 1 + c ) × k 个值,即特征图上每个点对应4个边界坐标(实际为偏移量),1个置信度值,C个类别值(C个类别置信度):数量k为特征图 ...
Lesson 16.5 在Pytorch中实现卷积网络（上）：卷积核、输入通道与特征图在PyTorch中实现卷积网络（中）：步长与填充
卷积神经网络是使用卷积层的一组神经网络.在一个成熟的CNN中,往往会涉及到卷积层.池化层.线性层(全连接层)以及各类激活函数.因此,在构筑卷积网络时,需从整体全部层的需求来进行考虑. 1 二维卷积层n ...
PixelShuffle特征图的上采样的方法
PixelShuffle是一种上采样方法,可以对缩小后的特征图进行有效的放大.可以替代插值或解卷积的方法实现upscale PixelShuffle PixelShuffle(像素重组)的主要功能是将 ...
OpenImage冠军方案：在物体检测中为分类和回归任务使用各自独立的特征图
点击上方"深度学习技术前沿",关注公众号,选择加"星标"或"置顶" 导读这篇文章来自商汤科技,是OpenImage竞赛的冠军方案,本文对物 ...
FPN：特征图金字塔网络
1. 论文简介论文名:Feature Pyramid Networks for Object Detection 论文地址 :FPN 论文作者:Tsung-Yi Lin, Piotr Dollar, ...
[论文解读]CNN 卷积的魅力+特征图+感受野+共享权重和偏置
一.基础知识 1.1卷积神经网络(CNN) CNN新出现了卷积层(Convolution层)和池化层(Pooling层), 这两种不同类型的层通常是交替的, 最后通常由一个或多个全连接层组成卷积网络 ...
卷积神经网络推理特征图可视化查看，附录imagenet类别和编号对应查询表。通过观察法进行深度学习可解释研究
CNN模型虽然在图像处理上表现出非常良好的性能和准确性,但一直以来都被认为是一个黑盒模型,人们无法了解里面的工作机制. 针对这个问题,研究人员除了从理论层面去寻找解释外,也提出了一些可视化的方法直观地 ...
卷积与转置卷积——输出特征图边长公式推导
目录一.公式 1.卷积 2.转置卷积二.公式推导 1.卷积公式推导 2.转置卷积公式推导 3.代码演示一.公式 1.卷积 2.转置卷积在Pytorch中,转置卷积层参数还含有output_pa ...
卷积神经网络系列之卷积/池化后特征图大小怎么计算？？
1.卷积后的大小: W:矩阵宽,H:矩阵高,F:卷积核宽和高,P:padding(需要填充的0的个数),N:卷积核的个数,S:步长 width:卷积后输出矩阵的宽,height:卷积后输出矩阵的高 w ...

在特征图上按照高斯公式计算置信度

centerNet中计算分类target的方法就是使用高斯公式

在特征图上按照高斯公式计算置信度相关推荐

最新文章

热门文章