model_cons_params_cn.md 36 KB
简体中文 | English
PaddleRS模型构造参数
本文档介绍PaddleRS中各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) |
是否使用混合损失函数 | False |
losses (list) |
损失函数列表 | None |
att_type (str) |
空间注意力类型，可选值为'CBAM'和'BAM' |
'CBAM' |
ds_factor (int) |
下采样因子 | 1 |
backbone (str) |
用作主干网络的 ResNet 型号。目前仅支持'resnet18'和'resnet34' |
'resnet18' |
n_stages (int) |
主干网络中使用的 ResNet 阶段数，应为{3、4、5}中的值 |
4 |
use_tokenizer (bool) |
是否使用可学习的 tokenizer | True |
token_len (int) |
输入 token 的长度 | 4 |
pool_mode (str) |
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) |
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) |
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) |
编码器中使用的注意力块数 | 1 |
enc_head_dim (int) |
每个编码器头的嵌入维度 | 64 |
dec_depth (int) |
解码器中使用的注意力模块数量 | 8 |
dec_head_dim (int) |
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
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，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 |
FCEarlyFusion
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 |
FCSiamConc
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 |
FCSiamDiff
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
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) |
网络中间层特征通道数 | 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'或'CBAM' |
'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) |
模型使用的具体架构，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) |
图像超分辨率重建的缩放因子。如果原始图像大小为 H x W，则输出图像大小将为 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。如果未指定，则使用数据类型的默认最小值和最大值 | None |
scales (tuple[int]) |
不同尺度的缩放因子 | (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) |
Primal regression loss 的权重 | 0.1 |
dual_loss_weight (float) |
Dual regression loss 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) |
图像超分辨率重建的缩放因子。如果原始图像大小为 H x W，则输出图像大小将为 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) |
是否在训练过程中使用 GAN (生成对抗网络) | 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) |
图像超分辨率重建的缩放因子。如果原始图像大小为 H x W，则输出图像大小将为 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) |
是否在多个尺度下进行训练 | False |
group (int) |
卷积操作的分组数量 | 1 |
NAFNet
基于PaddlePaddle的NAFNet实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
losses (list) |
损失函数列表 | None |
sr_factor (int) |
图像复原的缩放因子。NAFNet不适用于图像超分辨率重建任务，不改变图像的大小，请设置sr_factor为None |
None |
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_tlsc (bool) |
是否在推理时使用tlsc技术 | False |
in_channels (int) |
输入图像的通道数 | 3 |
width (int) |
NAFBlock的通道数 | 32 |
middle_blk_num (int) |
过渡模块中NAFBlock的数量 | 1 |
enc_blk_nums (list[int]) |
不同层编码器中NAFBlock的数量 | None |
dec_blk_nums (list[int]) |
不同层解码器中NAFBlock的数量 | None |
SwinIR
基于PaddlePaddle的SwinIR实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
losses (list) |
损失函数列表 | None |
sr_factor (int) |
图像复原的缩放因子。如果原始图像大小为 H x W，则输出图像大小将为 sr_factor * H x sr_factor * W |
1 |
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 |
in_channels (int) |
输入图像的通道数 | 3 |
img_size (int) |
输入图像块的大小 | 128 |
window_size (int) |
窗口大小 | 8 |
depths (list[int]) |
每个Swin Transformer 层的深度 | [6, 6, 6, 6, 6, 6] |
num_heads (list[int]) |
不同层中注意力头的数量 | [6, 6, 6, 6] |
embed_dim (int) |
Patch embedding 的维度 | 96 |
window_size (int) |
MLP中隐藏维度与编码维度的比率 | 4 |
FasterRCNN
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) |
骨干网络名称 | 'ResNet50' |
with_fpn (bool) |
是否使用特征金字塔网络 (FPN) | True |
with_dcn (bool) |
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) |
在进行非极大值抑制（NMS）操作之前，保留的预测框的数量 | 100 |
nms_threshold (float) |
使用的 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数量 | 1000 |
FCOSR
基于PaddlePaddle的FCOSR实现。
| 参数名 | 描述 | 默认值 |
|---|---|---|
num_classes (int) |
目标类别数量 | 80 |
backbone (str) |
骨干网络名称 | 'MobileNetV1' |
anchors (list[list[int]]) |
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]] |
ignore_threshold (float) |
IoU 阈值，用于将预测框分配给真实框 | 0.7 |
nms_score_threshold (float) |
NMS 的分数阈值 | 0.01 |
nms_topk (int) |
在执行 NMS 之前保留的最大预测框数 | 1000 |
nms_keep_topk (int) |
在执行 NMS 之后保留的最大预测框数 | 100 |
nms_iou_threshold (float) |
NMS IoU 阈值 | 0.45 |
label_smooth (bool) |
是否使用标签平滑 | False |
PPYOLO
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) |
骨干网络名称 | '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 | 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 之前保留的最大预测框数 | -1 |
nms_keep_topk (int) |
在执行 NMS 之后保留的最大预测框数 | 100 |
nms_iou_threshold (float) |
NMS IoU 阈值 | 0.45 |
PPYOLOTiny
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) |
骨干网络名称 | 'MobileNetV3' |
anchors (list[list[float]]) |
预定义锚框的大小 | [[10, 15], [24, 36], [72, 42], [35, 87], [102, 96], [60, 170], [220, 125], [128, 222], [264, 266]] |
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 | False |
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 | 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 | 0.5 |
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 | False |
nms_score_threshold (float) |
NMS 的分数阈值 | 0.005 |
nms_topk (int) |
在执行 NMS 之前保留的最大预测框数 | 1000 |
nms_keep_topk (int) |
在执行 NMS 之后保留的最大预测框数 | 100 |
nms_iou_threshold (float) |
NMS IoU 阈值 | 0.45 |
PPYOLOv2
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) |
骨干网络名称 | '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 | 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 之前保留的最大预测框数 | -1 |
nms_keep_topk (int) |
在执行 NMS 之后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) |
骨干网络名称 | 'MobileNetV1' |
anchors (list[list[int]]) |
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]] |
ignore_threshold (float) |
IoU 阈值，用于将预测框分配给真实框 | 0.7 |
nms_score_threshold (float) |
NMS 的分数阈值 | 0.01 |
nms_topk (int) |
在执行 NMS 之前保留的最大预测框数 | 1000 |
nms_keep_topk (int) |
在执行 NMS 之后保留的最大预测框数 | 100 |
nms_iou_threshold (float) |
NMS IoU 阈值 | 0.45 |
label_smooth (bool) |
是否使用标签平滑 | False |
BiSeNetV2
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 |
DeepLabV3P
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) |
骨干网络名称 | 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) |
一个索引列表，用于取出骨干网络不同阶段的特征送入解码器 | (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 |
FastSCNN
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) |
网络的初始特征通道数 | 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 |