BiFPN可以作為一個常備塊在修改網路時使用,在用代碼實作BiFPN之前,我們需要對其網路結構及細節原理有一個清晰的認識,下圖時BiFPN的原理圖:

該圖清晰明了的闡明了BiFPN的資料流向,下面做進一步具體分析:
- 圖中所有Add操作均為用可學習的權重引數進行加權特征融合而非直接的Add相加,也就是每融合一次,都要進行一次加權求和,由于權重的無界性,如果將特征直接乘以權重相加會造成訓練的不穩定,因此,采用權重歸一化的方式進行融合,以p6_td和p6_out為例,其Add操作的公式如下:

- p3,p4,p5為Backbone的3個stage輸出的特征層,p6_in是由p5降采樣得到的,p7_in是由p6_in降采樣得到的,p3_in、p4
轉載請註明出處,本文鏈接:https://www.uj5u.com/qita/433439.html
標籤:AI
上一篇:Linux生產者消費者模型
