Définir les pertes pour RPN et R-CNN
Vous allez entraîner un modèle de détection d’objets qui utilise à la fois les composants RPN et R-CNN. Pour pouvoir l’entraîner, vous devez définir la fonction de perte pour chaque composant.
Vous vous souvenez que le composant RPN classe si une région contient un objet et prédit les coordonnées de la boîte englobante pour les régions proposées. Le composant R-CNN classe l’objet dans l’une des classes possibles tout en prédisant aussi les coordonnées finales de la boîte englobante.
torch, torch.nn as nn ont été importés.
Cet exercice fait partie du cours
Deep Learning pour l’image avec PyTorch
Instructions
- Définissez la fonction de perte de classification du RPN et affectez-la à
rpn_cls_criterion. - Définissez la fonction de perte de régression du RPN et affectez-la à
rpn_reg_criterion. - Définissez la fonction de perte de classification du R-CNN et affectez-la à
rcnn_cls_criterion. - Définissez la fonction de perte de régression du R-CNN et affectez-la à
rcnn_reg_criterion.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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 = ____