L2norm

最新推荐文章于 2025-04-02 17:00:29 发布

小火箭丶

最新推荐文章于 2025-04-02 17:00:29 发布

阅读量769

点赞数

分类专栏：目标检测

本文链接：https://blog.youkuaiyun.com/qq_35912099/article/details/119154033

版权

目标检测专栏收录该内容

7 篇文章

订阅专栏

本文介绍SSD中用于处理不同尺度特征图的L2Norm方法。通过自定义PyTorch模块实现特征图的归一化，确保不同大小的特征能够有效结合。详细解释了L2Norm的工作原理及其在目标检测任务中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这个方法在SSD里面用到，主要是因为不同尺度的feature的大小差的比较多，所以需要进行norm，实现细节如下：

class L2Norm(nn.Module):
    #参数：输入特征图的通道数，缩放像素值到达的范围
    def __init__(self,n_channels, scale):
        super(L2Norm,self).__init__()
        self.n_channels = n_channels
        self.gamma = scale or None
        self.eps = 1e-10
        self.weight = nn.Parameter(torch.Tensor(self.n_channels))
        self.reset_parameters()
        
    def reset_parameters(self):
        init.constant_(self.weight,self.gamma)
        
    def forward(self, x):
        norm = x.pow(2).sum(dim=1, keepdim=True).sqrt()+self.eps
        #x /= norm
        x = torch.div(x,norm)
        out = self.weight.unsqueeze(0).unsqueeze(2).unsqueeze(3).expand_as(x) * x

        return out

scale的意思就是*20，归一化从0~1调整到0~20。这个地方不是正则化，是归一化。

正则化的意思是，参数的平方和要最小，lambda是一个惩罚项系数，也可以是理解为超参数，控制一个比重的。