maskrcnn_benchmark 代码详解之　roi_box_feature_extractors.py_resnet50conv5roifeatureextractor 输入-优快云博客

本文详细介绍了在Mask R-CNN的maskrcnn_benchmark库中，roi_box_feature_extractors.py文件的作用。该文件定义了三种RoI特征提取方法：ResNet卷积层、MIL全连接层和多卷积层组+全连接层组合，用于对RPN产生的预测边框进行尺度一致的特征提取，以进行目标检测任务。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言：

　　在经过RPN层之后，网络会生成多个预测边框(proposal),　这时候需要对这些边框进行RoI池化,使之成为尺度一致的特征。接下来就需要对这些特征进行进一步的特征提取，这就需要用到roi_box_feature_extractors.py。roi_box_feature_extractors.py定义了三种不同的特种提取方式：ResNet卷基层方式、MIL全连接方式以及使用多个卷基层组+全连接方式。其代码详解为：

# Copyright (c) Facebook, Inc. and its affiliates. All Rights Reserved.
import torch
from torch import nn
from torch.nn import functional as F

from maskrcnn_benchmark.modeling import registry
from maskrcnn_benchmark.modeling.backbone import resnet
from maskrcnn_benchmark.modeling.poolers import Pooler
from maskrcnn_benchmark.modeling.make_layers import group_norm
from maskrcnn_benchmark.modeling.make_layers import make_fc


# 使用ResNet50的Conv5层来提取roi特征
@registry.ROI_BOX_FEATURE_EXTRACTORS.register("ResNet50Conv5ROIFeatureExtractor")
class ResNet50Conv5ROIFeatureExtractor(nn.Module):
    def __init__(self, config, in_channels):
        super(ResNet50Conv5ROIFeatureExtractor, self).__init__()
        # resolution为roi pooling之后特征图的大小，一般为７
        resolution = config.MODEL.ROI_BOX_HEAD.POOLER_RESOLUTION
        # 获得原始图到特征图的比例函数，比如原始图到Res50的stage2是1/4
        scales = config.MODEL.ROI_BOX_HEAD.POOLER_SCALES
        # sampling_ratio即采样率，指的是锚点大小与池化之后特征图的大小比例。一般情况下不指定
        sampling_ratio = config.MODEL.ROI_BOX_HEAD.POOLER_SAMPLING_RATIO
        # 初始化池化类，内含ROIAlign函数
        pooler =