Definiera förlustfunktioner för RPN och R-CNN
Du planerar att träna en objektdetekteringsmodell som använder både RPN- och R-CNN-komponenterna. För att kunna träna den behöver du definiera en förlustfunktion för varje komponent.
RPN-komponenten klassificerar om en region innehåller ett objekt och förutsäger begränsningsrutans koordinater för de föreslagna regionerna. R-CNN-komponenten klassificerar objektet i en av flera klasser och förutsäger de slutliga koordinaterna för begränsningsrutan.
torch och torch.nn som nn har importerats.
Den här övningen är en del av kursen
Djupinlärning för bilder med PyTorch
Övningsinstruktioner
- Definiera förlustfunktionen för RPN-klassificering och tilldela den till
rpn_cls_criterion. - Definiera förlustfunktionen för RPN-regression och tilldela den till
rpn_reg_criterion. - Definiera förlustfunktionen för R-CNN-klassificering och tilldela den till
rcnn_cls_criterion. - Definiera förlustfunktionen för R-CNN-regression och tilldela den till
rcnn_reg_criterion.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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 = ____