caffe层解读系列——slice和concat实现MultiTask

最新推荐文章于 2024-01-02 11:45:41 发布

原创

最新推荐文章于 2024-01-02 11:45:41 发布 · 2w 阅读

27 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #caffe

本文介绍了如何使用Caffe的slice和concat层来实现MultiTask网络，如MTCNN在人脸检测中的应用。通过concat层将不同任务的数据拼接，然后利用slice层按需拆分，实现同一网络中同时进行二分类、boundingbox回归和关键点回归的任务处理。

最近一段时间MultiTask网络比较流行，比如做人脸检测的时候，一个网络完成（人脸和非人脸）二分类任务的同时也要进行boudingbox回归或者人脸关键点回归。

以人脸检测MTCNN为例，一个网络包含三个任务。训练的时候，一个batch中的图片，一部分用于二分类、一部分用于boundingbox 回归，一部分用于关键点回归。这种较复杂的样本组合完全可以通过slice和concat层来快速实现。

———————— Concat —————————

concat层实现输入数据的拼接。
该层有两个相同作用的参数：

message ConcatParameter {
  //指定拼接的维度，默认为1即以channel通道进行拼接;支持负索引，即-1表示最后一个维度
  optional int32 axis = 2 [default = 1];

  // 以后会被弃用，作用同axis一样，但不能指定为负数
  optional uint32 concat_dim = 1 [defaul