Losses für RPN und R-CNN definieren
Du planst, ein Objekterkennungsmodell zu trainieren, das sowohl die RPN- als auch die R-CNN-Komponente nutzt. Damit du es trainieren kannst, musst du die Loss-Funktion für jede Komponente definieren.
Du erinnerst dich: Die RPN-Komponente klassifiziert, ob ein Bereich ein Objekt enthält, und sagt die Bounding-Box-Koordinaten für die vorgeschlagenen Regionen voraus. Die R-CNN-Komponente ordnet das Objekt einer von mehreren Klassen zu und sagt außerdem die finalen Bounding-Box-Koordinaten voraus.
torch, torch.nn als nn wurden importiert.
Diese Übung ist Teil des Kurses
Deep Learning für Bilder mit PyTorch
Anleitung zur Übung
- Definiere die RPN-Klassifikations-Loss-Funktion und weise sie
rpn_cls_criterionzu. - Definiere die RPN-Regression-Loss-Funktion und weise sie
rpn_reg_criterionzu. - Definiere die R-CNN-Klassifikations-Loss-Funktion und weise sie
rcnn_cls_criterionzu. - Definiere die R-CNN-Regression-Loss-Funktion und weise sie
rcnn_reg_criterionzu.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Implement the RPN classification loss function
rpn_cls_criterion = ____
# Implement the RPN regression loss function
rpn_reg_criterion = ____
# Implement the R-CNN classification Loss function
rcnn_cls_criterion = ____
# Implement the R-CNN regression loss function
rcnn_reg_criterion = ____