Définir les pertes pour RPN et R-CNN
Vous envisagez de former un modèle de détection d'objets qui utilise à la fois les composants RPN et R-CNN. Pour pouvoir l'entraîner, vous devrez définir la fonction de perte pour chaque composant.
Vous vous souvenez que le composant RPN classe les régions en fonction de la présence ou non d'un objet et prédit les coordonnées du cadre englobant pour les régions proposées. Le composant R-CNN classe l'objet dans l'une des multiples classes tout en prédisant les coordonnées finales du cadre englobant.
torch``torch.nn, ainsi que nn ont été importés.
Cet exercice fait partie du cours
Deep learning pour les images avec PyTorch
Instructions
- Définissez la fonction de perte de classification RPN et attribuez-la à l'
rpn_cls_criterion. - Définissez la fonction de perte de régression RPN et attribuez-la à l'
rpn_reg_criterion. - Définissez la fonction de perte de classification R-CNN et assignez-la à l'
rcnn_cls_criterion. - Définissez la fonction de perte de régression R-CNN à l'aide de et attribuez-la à l'
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 = ____