运算符¶
torchvision.ops
实现特定于计算机视觉的运算符、损失和层。
注意
所有运算符都原生支持 TorchScript。
检测和分割运算符¶
以下运算符执行目标检测和分割模型中所需的预处理和后处理。
|
以批处理方式执行非最大抑制。 |
|
计算提供的掩码周围的边界框。 |
|
根据边界框的交并比(IoU)执行非最大抑制(NMS)。 |
|
执行区域兴趣(RoI)对齐运算符,使用平均池化,如 Mask R-CNN 中所述。 |
|
执行 Fast R-CNN 中描述的区域兴趣(RoI)池运算符 |
|
执行 Light-Head R-CNN 中提到的位置敏感区域兴趣(RoI)对齐运算符。 |
|
执行 R-FCN 中描述的位置敏感区域兴趣(RoI)池运算符 |
|
模块,在特征图集之上添加 FPN。 |
|
多尺度 RoIAlign 池化,适用于有或没有 FPN 的检测。 |
|
参见 |
|
参见 |
|
参见 |
|
参见 |
边界框运算符¶
这些实用函数对边界框执行各种操作。
|
计算一组边界框的面积,这些边界框由其 (x1, y1, x2, y2) 坐标指定。 |
|
将 |
|
返回两组边界框之间的交并比(Jaccard 指数)。 |
|
裁剪边界框,使其位于大小为 |
|
返回两组边界框之间的完整交并比(Jaccard 指数)。 |
|
返回两组边界框之间的距离交并比(Jaccard 指数)。 |
|
返回两组边界框之间的广义交并比(Jaccard 指数)。 |
|
从 |
损失¶
实现了以下视觉特定损失函数
|
梯度友好的 IoU 损失,当边界框不重叠时会产生额外的惩罚。 |
|
梯度友好的 IoU 损失,当框的中心之间的距离不为零时,会产生额外的惩罚。 |
|
梯度友好的 IoU 损失,当框不重叠时,会产生额外的惩罚,并根据其最小外接框的大小进行缩放。 |
|
RetinaNet 中用于密集检测的损失函数:https://arxiv.org/abs/1708.02002. |
层¶
TorchVision 提供常用的构建块作为层
|
用于卷积 2D-归一化-激活块的可配置模块。 |
|
用于卷积 3D-归一化-激活块的可配置模块。 |
|
参见 |
|
参见 |
|
参见 |
|
BatchNorm2d,其中批统计量和仿射参数是固定的 |
|
此模块实现多层感知器 (MLP) 模块。 |
|
此模块返回张量输入的视图,其维度已重新排列。 |
|
此模块实现来自 https://arxiv.org/abs/1709.01507 的压缩和激励块(参见图。 |
|
|
执行可变形卷积 v2,如 可变形卷积网络 v2:更可变形,更好的结果 中所述,如果 |
|
从 "DropBlock:一种用于卷积网络的正则化方法" <https://arxiv.org/abs/1810.12890> 中实现 DropBlock2d。 |
|
从 "DropBlock:一种用于卷积网络的正则化方法" <https://arxiv.org/abs/1810.12890> 中实现 DropBlock3d。 |
|
从 "具有随机深度的深度网络" 中实现随机深度,用于随机丢弃残差架构的残差分支。 |