Definisci le loss per RPN e R-CNN
Stai per addestrare un modello di object detection che utilizza sia i componenti RPN che R-CNN. Per poterlo addestrare, dovrai definire la funzione di loss per ciascun componente.
Ricordi che il componente RPN classifica se una regione contiene un oggetto e predice le coordinate del bounding box per le regioni proposte. Il componente R-CNN classifica l'oggetto in una tra più classi e, allo stesso tempo, predice le coordinate finali del bounding box.
torch, torch.nn come nn sono già stati importati.
Questo esercizio fa parte del corso
Deep Learning per Immagini con PyTorch
Istruzioni dell'esercizio
- Definisci la loss di classificazione dell'RPN e assegnala a
rpn_cls_criterion. - Definisci la loss di regressione dell'RPN e assegnala a
rpn_reg_criterion. - Definisci la loss di classificazione della R-CNN e assegnala a
rcnn_cls_criterion. - Definisci la loss di regressione della R-CNN e assegnala a
rcnn_reg_criterion.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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 = ____