基于TensorFlow的SSD车辆检测-2

此系列博客是用来学习Tensorflow和Python的，由于是新手上车，如有错误之处希望大家不吝指出。

整个项目可以从百度云下载：链接：https://pan.baidu.com/s/1f2JPJpE7m5M2kSifMP0-Lw 密码：9p8v

二. SSD网络构建

在网络模型构建环节，主要包含下面三块内容：

• 构建网络的基础部分：VGG_base
• 构建网络的分支部分：SSD的6个预测分支
• SSD的loss设计

SSD的网络结构如下所示，后面的讲解基本就按照该模型来。

1. VGG_base构建

SSD基础部分采用了VGG16的部分结构：

实现的主要区别有：
- （1）舍弃上图红框中的结构，只保留卷积部分；
- （2）本博客实现的是SSD-300，而原来的VGG16的输入是224x224；
- （3）此外，尽量使用pre-trained的VGG16模型来初始话我们的VGG-base;

具体实现如下：

# coding=utf-8""" vgg_base.py:To build the basic VGG16 part of the SSD net.The input shape is n*300*300*3
"""import tensorflow as tfVGG_MEAN = [103.939, 116.779, 123.68]def vgg_net(images):with tf.name_scope('VGG_base'):# zero-mean inputmean = tf.constant([123.68, 116.779, 103.939], dtype=tf.float32, shape=[1, 1, 1, 3], name='img_mean')inputs = images - mean# build the vgg16 net# block1, the output is 150*150*64conv1_1 = conv_layer(inputs, 64, 'conv1_1')conv1_2 = conv_layer(conv1_1, 64, 'conv1_2')pool1 = max_pooling_layer(conv1_2, 'pool1')# block2, the output is 75*75*128conv2_1 = conv_layer(pool1, 128, 'conv2_1')conv2_2 = conv_layer(conv2_1, 128, 'conv2_2')pool2 = max_pooling_layer(conv2_2, 'pool2')# block3, the output is 38*38*256conv3_1 = conv_layer(pool2, 256, 'conv3_1')conv3_2 = conv_layer(conv3_1, 256, 'conv3_2')conv3_3 = conv_layer(conv3_2, 256, 'conv3_3')pool3 = max_pooling_layer(conv3_3, 'pool3')# block4, the output is 19*19*512conv4_1 = conv_layer(pool3,512, 'conv4_1')conv4_2 = conv_layer(conv4_1, 512, 'conv4_2')conv4_3 = conv_layer(conv4_2, 512, 'conv4_3')pool4 = max_pooling_layer(conv4_3, 'pool4')# block5,no pooling, the output is 19*19*512conv5_1 = conv_layer(pool4, 512, 'conv5_1')conv5_2 = conv_layer(conv5_1, 512, 'conv5_2')conv5_3 = conv_layer(conv5_2, 512, 'conv5_3')return conv4_3, conv5_3# convolution layer, the default kernel size is 3, the default stride is 1
def conv_layer(inputs, num_output, name=None):# get the number of channels of the inputsnum_input = inputs.get_shape()[-1].valuewith tf.name_scope(name):weights = tf.get_variable(name + '_w',shape=[3, 3, num_input, num_output],dtype=tf.float32,initializer=tf.glorot_normal_initializer())conv = tf.nn.conv2d(inputs, weights, [1, 1, 1, 1], padding='SAME')bias =

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！