model_cons_params_cn.md 33 KB
简体中文 | English
PaddleRS模型构造参数
本文档详细介绍了PaddleRS各个模型训练器的构造参数，包括其参数名、参数类型、参数描述及默认值。
BIT
基于PaddlePaddle实现的BIT模型。
该模型的原始文章见于 H. Chen, et al., "Remote Sensing Image Change Detection With Transformers" (https://arxiv.org/abs/2103.00208)。
该实现采用预训练编码器，而非原始工作中随机初始化权重。
| 参数名 | 描述 | 默认值 |
|---|---|---|
in_channels (int) |
输入图像的通道数 | 3 |
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool, optional) |
是否使用混合损失函数 | False |
losses (list, optional) |
损失函数列表 | None |
att_type (str, optional) |
空间注意力类型，可选值为'CBAM'和'BAM' |
'CBAM' |
ds_factor (int, optional) |
下采样因子 | 1 |
backbone (str, optional) |
用作主干网络的 ResNet 型号。目前仅支持'resnet18'和'resnet34' |
'resnet18' |
n_stages (int, optional) |
主干网络中使用的 ResNet 阶段数，应为{3、4、5}中的值 |
4 |
use_tokenizer (bool, optional) |
是否使用可学习的 tokenizer | True |
token_len (int, optional) |
输入 token 的长度 | 4 |
pool_mode (str, optional) |
当'use_tokenizer'设置为False时，获取输入 token 的池化策略。'max'表示全局最大池化，'avg'表示全局平均池化 |
'max' |
pool_size (int, optional) |
当'use_tokenizer'设置为False时，池化后的特征图的高度和宽度 |
2 |
enc_with_pos (bool, optional) |
是否将学习的位置嵌入到编码器的输入特征序列中 | True |
enc_depth (int, optional) |
编码器中使用的注意力块数 | 1 |
enc_head_dim (int, optional) |
每个编码器头的嵌入维度 | 64 |
dec_depth (int, optional) |
解码器中使用的注意力模块数量 | 8 |
dec_head_dim (int, optional) |
每个解码器头的嵌入维度 | 8 |
CDNet
该基于PaddlePaddle的CDNet实现。
该模型的原始文章见于 Pablo F. Alcantarilla, et al., "Street-View Change Detection with Deconvolut ional Networks"(https://link.springer.com/article/10.1007/s10514-018-9734-5)。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
in_channels (int) |
输入图像的通道数 | 6 |
ChangeFormer
基于PaddlePaddle的ChangeFormer实现。
该模型的原始文章见于 Wele Gedara Chaminda Bandara，Vishal M. Patel，“A TRANSFORMER-BASED SIAMESE NETWORK FOR CHANGE DETECTION”(https://arxiv.org/pdf/2201.01293.pdf)。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
in_channels (int) |
输入图像的通道数 | 3 |
decoder_softmax (bool) |
是否使用softmax作为解码器的最后一层激活函数 | False |
embed_dim (int) |
Transformer 编码器的隐藏层维度 | 256 |
ChangeStar_FarSeg
基于PaddlePaddle实现的ChangeStar模型，其使用FarSeg编码器。
该模型的原始文章见于 Z. Zheng, et al., "Change is Everywhere: Single-Temporal Supervised Object Change Detection in Remote Sensing Imagery"(https://arxiv.org/abs/2108.07002)。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失 | False |
losses (list) |
损失函数列表 | None |
mid_channels (int) |
UNet 中间层的通道数 | 256 |
inner_channels (int) |
注意力模块内部的通道数 | 16 |
num_convs (int) |
UNet 编码器和解码器中卷积层的数量 | 4 |
scale_factor (float) |
上采样因子，用于将低分辨率掩码图像恢复到高分辨率图像大小的放大倍数 | 4.0 |
DSAMNet
基于PaddlePaddle实现的DSAMNet，用于遥感变化检测。
该模型的原始文章见于 Q. Shi, et al., "A Deeply Supervised Attention Metric-Based Network and an Open Aerial Image Dataset for Remote Sensing Change Detection"(https://ieeexplore.ieee.org/document/9467555)。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
in_channels (int) |
输入图像的通道数 | 3 |
ca_ratio (int) |
通道注意力模块中的通道压缩比 | 8 |
sa_kernel (int) |
空间注意力模块中的卷积核大小 | 7 |
DSIFN
基于PaddlePaddle的DSIFN实现。
该模型的原始文章见于 The original article refers to C. Zhang, et al., "A deeply supervised image fusion network for change detection in high resolution bi-temporal remote sensing images"(https://www.sciencedirect.com/science/article/pii/S0924271620301532)。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
use_dropout (bool) |
是否使用 dropout | False |
FC-EF
基于PaddlePaddle的FC-EF实现。
该模型的原始文章见于 The original article refers to Rodrigo Caye Daudt, et al. "Fully convolutional siamese networks for change detection"(https://arxiv.org/abs/1810.08462)。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
in_channels (int) |
输入图像的通道数 | 6 |
use_dropout (bool) |
是否使用 dropout | False |
FC-Siam-conc
基于PaddlePaddle的FC-Siam-conc实现。
该模型的原始文章见于 Rodrigo Caye Daudt, et al. "Fully convolutional siamese networks for change detection"(https://arxiv.org/abs/1810.08462)。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
in_channels (int) |
输入图像的通道数 | 3 |
use_dropout (bool) |
是否使用 dropout | False |
FC-Siam-diff
基于PaddlePaddle的FC-Siam-diff实现。
该模型的原始文章见于 Rodrigo Caye Daudt, et al. "Fully convolutional siamese networks for change detection"(https://arxiv.org/abs/1810.08462)。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (List) |
损失函数列表 | None |
in_channels (int) |
输入图像的通道数 | int |
use_dropout (bool) |
是否使用 dropout | False |
FCCDN
基于PaddlePaddle的FCCDN实现。
该模型的原始文章见于 Pan Chen, et al., "FCCDN: Feature Constraint Network for VHR Image Change Detection"(https://arxiv.org/pdf/2105.10860.pdf)。
| 参数名 | 描述 | 默认值 |
|---|---|---|
in_channels (int) |
输入图像的通道数 | 3 |
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
P2V-CD
基于PaddlePaddle的P2V-CD实现。
该模型的原始文章见于 M. Lin, et al. "Transition Is a Process: Pair-to-Video Change Detection Networks for Very High Resolution Remote Sensing Images"(https://ieeexplore.ieee.org/document/9975266)。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
in_channels (int) |
输入图像的通道数 | 3 |
video_len (int) |
输入视频帧的数量 | 8 |
SNUNet
基于PaddlePaddle的SNUNet实现。
该模型的原始文章见于 S. Fang, et al., "SNUNet-CD: A Densely Connected Siamese Network for Change Detection of VHR Images" (https://ieeexplore.ieee.org/document/9355573)。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
in_channels (int) |
输入图像的通道数 | 3 |
width (int) |
神经网络中的通道数 | 32 |
STANet
基于PaddlePaddle的STANet实现。
该模型的原始文章见于 H. Chen and Z. Shi, "A Spatial-Temporal Attention-Based Method and a New Dataset for Remote Sensing Image Change Detection"(https://www.mdpi.com/2072-4292/12/10/1662)。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
in_channels (int) |
输入图像的通道数 | 3 |
att_type (str) |
注意力模块的类型，可以是'BAM'（波段注意力模块）或 'CBAM'（通道和波段注意力模块） |
'BAM' |
ds_factor (int) |
下采样因子，可以是1、2或4 |
1 |
CondenseNetV2
基于PaddlePaddle的CondenseNetV2实现。
该模型的原始文章见于Yang L, Jiang H, Cai R, et al. “Condensenet v2: Sparse feature reactivation for deep networks” (https://arxiv.org/abs/2104.04382)。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
in_channels (int) |
模型的输入通道数 | 3 |
arch (str) |
模型的架构，可以是'A'、'B'或'C' |
'A' |
HRNet
基于PaddlePaddle的HRNet实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
MobileNetV3
基于PaddlePaddle的MobileNetV3实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
ResNet50-vd
基于PaddlePaddle的ResNet50-vd实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
DRN
基于PaddlePaddle的DRN实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
losses (list) |
损失函数列表 | None |
sr_factor (int) |
超分辨率的缩放因子，原始图像的大小将乘以此因子。例如，如果原始图像为 H x W，则输出图像将为 sr_factor * H x sr_factor * W |
4 |
min_max (None \| tuple[float, float]) |
图像像素值的最小值和最大值 | None |
scales (tuple[int]) |
缩放因子 | (2, 4) |
n_blocks (int) |
残差块的数量 | 30 |
n_feats (int) |
残差块中的特征维度 | 16 |
n_colors (int) |
图像通道数 | 3 |
rgb_range (float) |
图像像素值的范围 | 1.0 |
negval (float) |
用于激活函数中的负数值的处理 | 0.2 |
lq_loss_weight (float) |
低质量图像损失的权重，用来控制将低分辨率的输入图像恢复成高分辨率的输出图像的重构损失对于总体损失的影响程度。 | 0.1 |
dual_loss_weight (float) |
双重损失的权重 | 0.1 |
ESRGAN
基于PaddlePaddle的ESRGAN实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
losses (list) |
损失函数列表 | None |
sr_factor (int) |
超分辨率的缩放因子，原始图像的大小将乘以此因子。例如，如果原始图像为 H x W，则输出图像将为 sr_factor * H x sr_factor * W |
4 |
min_max (tuple) |
输入图像的像素值的最小值和最大值。如果未指定，则使用数据类型的默认最小值和最大值。 | None |
use_gan (bool) |
布尔值，指示是否在训练过程中使用 GAN (生成对抗网络)。如果是，将使用 GAN。 | True |
in_channels (int) |
输入图像的通道数 | 3 |
out_channels (int) |
输出图像的通道数。 | 3 |
nf (int) |
模型第一层卷积层的滤波器数量。 | 64 |
nb (int) |
模型中残差块的数量。 | 23 |
LESRCNN
基于PaddlePaddle的LESRCNN实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
losses (list) |
损失函数列表 | None |
sr_factor (int) |
超分辨率的缩放因子，原始图像的大小将乘以此因子。例如，如果原始图像为 H x W，则输出图像将为 sr_factor * H x sr_factor * W。 |
4 |
min_max (tuple) |
输入图像的像素值的最小值和最大值。如果未指定，则使用数据类型的默认最小值和最大值。 | None |
multi_scale (bool) |
布尔值，指示是否在多个尺度下进行训练。如果是，则在训练过程中使用多个尺度。 | False |
group (int) |
控制卷积操作的组数。如果设置为 1，则为标准卷积；如果设置为输入通道数，则为 DWConv。 |
1 |
Faster R-CNN
基于PaddlePaddle的Faster R-CNN实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 80 |
backbone (str) |
Faster R-CNN的主干网络 | 'ResNet50' |
with_fpn (bool) |
布尔值，指示是否使用特征金字塔网络 (FPN)。 | True |
with_dcn (bool) |
布尔值，指示是否使用 Deformable Convolutional Networks (DCN)。 | False |
aspect_ratios (list) |
候选框的宽高比列表。 | [0.5, 1.0, 2.0] |
anchor_sizes (list) |
候选框的大小列表，表示为每个特征图上的基本大小。 | [[32], [64], [128], [256], [512]] |
keep_top_k (int) |
在进行 NMS 操作之前，保留的预测框的数量。 | 100 |
nms_threshold (float) |
使用的非极大值抑制 (NMS) 阈值。 | 0.5 |
score_threshold (float) |
过滤预测框的分数阈值。 | 0.05 |
fpn_num_channels (int) |
FPN 网络中每个金字塔层的通道数。 | 256 |
rpn_batch_size_per_im (int) |
RPN 网络中每张图像的正负样本比例。 | 256 |
rpn_fg_fraction (float) |
RPN 网络中前景样本的比例。 | 0.5 |
test_pre_nms_top_n (int) |
测试时，进行 NMS 操作之前保留的预测框的数量。如果未指定，则使用 keep_top_k。 |
None |
test_post_nms_top_n (int) |
测试时，进行 NMS 操作之后保留的预测框的数量。 | 1000 |
PP-YOLO
基于PaddlePaddle的PP-YOLO实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 80 |
backbone (str) |
PPYOLO 的主干网络 | 'ResNet50_vd_dcn' |
anchors (list[list[float]]) |
预定义锚框的大小 | None |
anchor_masks (list[list[int]]) |
预定义锚框的掩码 | None |
use_coord_conv (bool) |
是否使用坐标卷积 | True |
use_iou_aware (bool) |
是否使用 IoU 感知 | True |
use_spp (bool) |
是否使用空间金字塔池化（SPP） | True |
use_drop_block (bool) |
是否使用 DropBlock 正则化 | True |
scale_x_y (float) |
对每个预测框进行缩放的参数 | 1.05 |
ignore_threshold (float) |
IoU 阈值，用于将预测框分配给真实框 | 0.7 |
label_smooth (bool) |
是否使用标签平滑 | False |
use_iou_loss (bool) |
是否使用 IoU Loss | True |
use_matrix_nms (bool) |
是否使用 Matrix NMS | True |
nms_score_threshold (float) |
NMS 的分数阈值 | 0.01 |
nms_topk (int) |
在执行 NMS 之前保留的最大检测数 | -1 |
nms_keep_topk (int) |
NMS 后要保留的最大预测框数 | 100 |
nms_iou_threshold (float) |
NMS IoU 阈值 | 0.45 |
PP-YOLO Tiny
基于PaddlePaddle的PP-YOLO Tiny实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 80 |
backbone (str) |
PP-YOLO Tiny的主干网络 | 'MobileNetV3' |
anchors (list[list[float]]) |
anchor box 大小列表 | [[10, 15], [24, 36], [72, 42], [35, 87], [102, 96], [60, 170], [220, 125], [128, 222], [264, 266]] |
anchor_masks (list[list[int]]) |
anchor box 掩码 | [[6, 7, 8], [3, 4, 5], [0, 1, 2]] |
use_iou_aware (bool) |
布尔值，指示是否使用 IoU-aware loss | False |
use_spp (bool) |
布尔值，指示是否使用 SPP 模块 | True |
use_drop_block (bool) |
布尔值，指示是否使用 DropBlock 模块 | True |
scale_x_y (float) |
缩放参数 | 1.05 |
ignore_threshold (float) |
忽略阈值 | 0.5 |
label_smooth (bool) |
布尔值，指示是否使用标签平滑 | False |
use_iou_loss (bool) |
布尔值，指示是否使用 IoU Loss | True |
use_matrix_nms (bool) |
布尔值，指示是否使用 Matrix NMS | False |
nms_score_threshold (float) |
NMS 得分阈值 | 0.005 |
nms_topk (int) |
NMS 操作前保留的边界框数 | 1000 |
nms_keep_topk (int) |
NMS 操作后保留的边界框数 | 100 |
nms_iou_threshold (float) |
NMS IoU 阈值 | 0.45 |
PP-YOLOv2
基于PaddlePaddle的PP-YOLOv2实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 80 |
backbone (str) |
PPYOLO 的骨干网络 | 'ResNet50_vd_dcn' |
anchors (list[list[float]]) |
预定义锚框的大小 | [[10, 13], [16, 30], [33, 23], [30, 61], [62, 45], [59, 119], [116, 90], [156, 198], [373, 326]] |
anchor_masks (list[list[int]]) |
预定义锚框的掩码 | [[6, 7, 8], [3, 4, 5], [0, 1, 2]] |
use_iou_aware (bool) |
是否使用 IoU 感知 | True |
use_spp (bool) |
是否使用空间金字塔池化（ SPP ） | True |
use_drop_block (bool) |
是否使用 DropBlock 正则化 | True |
scale_x_y (float) |
对每个预测框进行缩放的参数 | 1.05 |
ignore_threshold (float) |
IoU 阈值，用于将预测框分配给真实框 | 0.7 |
label_smooth (bool) |
是否使用标签平滑 | False |
use_iou_loss (bool) |
是否使用 IoU Loss | True |
use_matrix_nms (bool) |
是否使用 Matrix NMS | True |
nms_score_threshold (float) |
NMS 的分数阈值 | 0.01 |
nms_topk (int) |
在执行 NMS 之前保留的最大检测数 | -1 |
nms_keep_topk (int) |
NMS 后要保留的最大预测框数 | 100 |
nms_iou_threshold (float) |
NMS IoU 阈值 | 0.45 |
YOLOv3
基于PaddlePaddle的YOLOv3实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 80 |
backbone (str) |
YOLOv3的主干网络的名称 | 'MobileNetV1' |
anchors (list[list[int]]) |
所有锚框的大小 | [[10, 13], [16, 30], [33, 23], [30, 61], [62, 45], [59, 119], [116, 90], [156, 198], [373, 326]] |
anchor_masks (list[list[int]]) |
使用哪些锚框来预测目标框 | [[6, 7, 8], [3, 4, 5], [0, 1, 2]] |
ignore_threshold (float) |
预测框和真实框的 IoU 阈值，低于该阈值将被视为背景 | 0.7 |
nms_score_threshold (float) |
非极大值抑制中，分数阈值，低于该分数的框将被丢弃 | 0.01 |
nms_topk (int) |
非极大值抑制中，保留的最大得分框数，为-1则保留所有框 |
1000 |
nms_keep_topk (int) |
非极大值抑制中，每个图像保留的最大框数 | 100 |
nms_iou_threshold (float) |
非极大值抑制中，IoU 阈值，大于该阈值的框将被丢弃 | 0.45 |
label_smooth (bool) |
是否在计算损失时使用标签平滑 | False |
BiSeNet V2
基于PaddlePaddle的BiSeNet V2实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
in_channels (int) |
输入图片的通道数 | 3 |
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
模型的各个部分的损失函数 | {None} |
align_corners (bool) |
是否使用角点对齐方法 | False |
DeepLab V3+
基于PaddlePaddle的DeepLab V3+实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
in_channels (int) |
输入图像的通道数 | 3 |
num_classes (int) |
目标类别数量 | 2 |
backbone (str) |
DeepLab V3+的主干网络 | ResNet50_vd |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
output_stride (int) |
输出特征图相对于输入特征图的下采样倍率 | 8 |
backbone_indices (tuple) |
输出主干网络不同阶段的位置索引 | (0, 3) |
aspp_ratios (tuple) |
空洞卷积的扩张率 | (1, 12, 24, 36) |
aspp_out_channels (int) |
ASPP 模块输出通道数 | 256 |
align_corners (bool) |
是否使用角点对齐方法 | False |
FactSeg
基于PaddlePaddle的FactSeg实现。
该模型的原始文章见于 A. Ma, J. Wang, Y. Zhong and Z. Zheng, "FactSeg: Foreground Activation -Driven Small Object Semantic Segmentation in Large-Scale Remote Sensing Imagery,"in IEEE Transactions on Geoscience and Remote Sensing, vol. 60, pp. 1-16, 2022, Art no. 5606216.
| 参数名 | 描述 | 默认值 |
|---|---|---|
in_channels (int) |
输入图像的通道数 | 3 |
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
FarSeg
基于PaddlePaddle的FarSeg实现。
该模型的原始文章见于 Zheng Z, Zhong Y, Wang J, et al. Foreground-aware relation network for geospatial object segmentation in high spatial resolution remote sensing imagery[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2020: 4096-4105.
| 参数名 | 描述 | 默认值 |
|---|---|---|
in_channels (int) |
输入图像的通道数 | 3 |
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
Fast-SCNN
基于PaddlePaddle的Fast-SCNN实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
in_channels (int) |
输入图像的通道数 | 3 |
num_classes (int) |
目标类别数量 | 2 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
align_corners (bool) |
是否使用角点对齐方法 | False |
HRNet
基于PaddlePaddle的HRNet实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
in_channels (int) |
输入图像的通道数 | 3 |
num_classes (int) |
目标类别数量 | 2 |
width (int) |
网络的初始通道数 | 48 |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
align_corners (bool) |
是否使用角点对齐方法 | False |
UNet
基于PaddlePaddle的UNet实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
in_channels (int) |
输入图像的通道数 | 3 |
num_classes (int) |
目标类别数量 | 2 |
use_deconv (bool) |
是否使用反卷积进行上采样 | False |
use_mixed_loss (bool) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
align_corners (bool) |
是否使用角点对齐方法 | False |