DeepLabV3Backbone 模型

[源代码]

DeepLabV3Backbone 类

keras_hub.models.DeepLabV3Backbone(
    image_encoder,
    spatial_pyramid_pooling_key,
    upsampling_size,
    dilation_rates,
    low_level_feature_key=None,
    projection_filters=48,
    image_shape=(None, None, 3),
    **kwargs
)

用于语义分割的 DeepLabV3 & DeepLabV3Plus 架构。

此类实现了 DeepLabV3 & DeepLabV3Plus 架构，如 用于语义图像分割的带空洞可分离卷积的编码器-解码器（ECCV 2018）和 重新思考用于语义图像分割的空洞卷积（CVPR 2017）中所述。

参数

• image_encoder: keras.Model。用作编码器特征提取器的实例。应为 keras_hub.models.Backbone 或实现 pyramid_outputs 属性（其键为“P2”、“P3”等，值为层）的 keras.Model。在许多情况下，一个比较合理的骨干网络是 keras_hub.models.ResNetBackbone.from_preset("resnet_v2_50")。
• projection_filters: int。从 image_encoder 投影低级特征的卷积层中的滤波器数量。
• spatial_pyramid_pooling_key: str。用于提取和执行 spatial_pyramid_pooling 的层级，是 image_encoder 的 pyramid_outputs 属性中的一个键，例如“P4”、“P5”等。
• upsampling_size: int 或 2 个整数的元组。spatial_pyramid_pooling 层的行和列的向上采样因子。如果给定 low_level_feature_key，则 spatial_pyramid_pooling 层的分辨率应与 low_level_feature 层的分辨率匹配，以便将这两层连接起来以获得组合的编码器输出。
• dilation_rates: list。应用于 SpatialPyramidPooling 的并行空洞卷积的整数列表。通常，速率的示例选择为 [6, 12, 18]。
• low_level_feature_key: str 可选。用于从 image_encoder 的 pyramid_outputs 属性中的一个键（例如“P2”、“P3”等）提取特征的层级，这将是解码器块。仅当需要应用 DeepLabV3Plus 架构时才需要。
• image_shape: tuple。输入形状，不包括批次大小。默认为 (None, None, 3)。

示例

# Load a trained backbone to extract features from it's `pyramid_outputs`.
image_encoder = keras_hub.models.ResNetBackbone.from_preset("resnet_50_imagenet")

model = keras_hub.models.DeepLabV3Backbone(
    image_encoder=image_encoder,
    projection_filters=48,
    low_level_feature_key="P2",
    spatial_pyramid_pooling_key="P5",
    upsampling_size = 8,
    dilation_rates = [6, 12, 18]
)

[源代码]

from_preset 方法

DeepLabV3Backbone.from_preset(preset, load_weights=True, **kwargs)

从模型预设中实例化一个 keras_hub.models.Backbone。

预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。preset 可以作为以下之一传递：

1. 内置预设标识符，例如 'bert_base_en'
2. Kaggle 模型句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 本地预设目录的路径，例如 './bert_base_en'

此构造函数可以通过两种方式之一调用。从基类（例如 keras_hub.models.Backbone.from_preset()）或从模型类（例如 keras_hub.models.GemmaBackbone.from_preset()）调用。如果从基类调用，则返回对象的子类将从预设目录中的配置推断。

对于任何 Backbone 子类，您都可以运行 cls.presets.keys() 以列出该类上所有可用的内置预设。

参数

• preset: string。内置预设标识符、Kaggle 模型句柄、Hugging Face 句柄或本地目录的路径。
• load_weights: bool。如果为 True，则权重将加载到模型架构中。如果为 False，则权重将随机初始化。

示例

# Load a Gemma backbone with pre-trained weights.
model = keras_hub.models.Backbone.from_preset(
    "gemma_2b_en",
)

# Load a Bert backbone with a pre-trained config and random weights.
model = keras_hub.models.Backbone.from_preset(
    "bert_base_en",
    load_weights=False,
)

token_embedding 属性

keras_hub.models.DeepLabV3Backbone.token_embedding

用于嵌入标记 ID 的 keras.layers.Embedding 实例。

此层将整数标记 ID 嵌入到模型的隐藏维度中。