Verliezen definiëren voor RPN en R-CNN
je gaat een objectdetectiemodel trainen dat zowel de RPN- als de R-CNN-component gebruikt. Om het te kunnen trainen, moet je de verliesfunctie voor elke component definiëren.
Je herinnert je dat de RPN-component classificeert of een regio een object bevat en de boundingbox-coördinaten voorspelt voor de voorgestelde regio's. De R-CNN-component classificeert het object in een van meerdere klassen en voorspelt ook de uiteindelijke boundingbox-coördinaten.
torch, torch.nn als nn zijn geïmporteerd.
Deze oefening maakt deel uit van de cursus
Deep Learning voor afbeeldingen met PyTorch
Oefeninstructies
- Definieer de RPN-classificatieverliesfunctie en wijs deze toe aan
rpn_cls_criterion. - Definieer de RPN-regressieverliesfunctie en wijs deze toe aan
rpn_reg_criterion. - Definieer de R-CNN-classificatieverliesfunctie en wijs deze toe aan
rcnn_cls_criterion. - Definieer de R-CNN-regressieverliesfunctie en wijs deze toe aan
rcnn_reg_criterion.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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 = ____