DD3D中估计目标速度和属性

如果你喜欢我的内容，别忘了一键三连（点赞、评论、分享）和关注哦！

整体思路

在DD3D 中我们经过head 头后,会拿到fcos2d_extra_output 特征。

py 复制代码

logits, box2d_reg, centerness, fcos2d_extra_output = self.fcos2d_head(features)

之后将fcos2d_extra_output 送入

【计算attr_logits】送入一个标准的卷积层，将输入特征图转换为 max_num_attributes 个通道。核大小为 3x3，步幅为 1，填充为 1。
【计算speed】送入另一个卷积层，将输入特征图转换为一个单通道输出。核大小为 3x3，步幅为 1，填充为 1。然后通过 F.relu 应用 ReLU 激活函数。

然后可以得到self.attr_logits和 self.speed

py 复制代码

def forward(self, x):
    attr_logits_output = self.attr_logits(x)
    speed_output = F.relu(self.speed(x))
    return attr_logits_output, speed_output

这样定义的模型在进行前向传播时会计算两个输出：一个是 attr_logits_output，表示属性预测；另一个是 speed_output，表示速度预测并应用了 ReLU 激活函数。

示例展示

完整地展示如何实现这个操作：

我们模拟输入 fcos2d_extra_output :

py 复制代码

fcos2d_extra_output = {
    'cls_tower_out': [torch.randn(1, in_channels, 32, 32) for _ in range(4)]
}

py 复制代码

import torch
import torch.nn as nn
import torch.nn.functional as F

class MyModel(nn.Module):
    def __init__(self, in_channels, max_num_attributes):
        super(MyModel, self).__init__()
        self.attr_logits = nn.Conv2d(in_channels, max_num_attributes, kernel_size=3, stride=1, padding=1, bias=True)
        self.speed = nn.Conv2d(in_channels, 1, kernel_size=3, stride=1, padding=1, bias=True)

    def forward(self, fcos2d_extra_output):
        attr_logits = []
        speeds = []
        for x in fcos2d_extra_output['cls_tower_out']:
            attr_logits.append(self.attr_logits(x))
            speeds.append(F.relu(self.speed(x)))
        
        # Convert lists to tensors
        attr_logits = torch.stack(attr_logits)
        
        # Flatten and concatenate speed outputs
        speeds = torch.cat([x.permute(0, 2, 3, 1).reshape(-1) for x in speeds])
        
        return attr_logits, speeds

# Example usage
in_channels = 3
max_num_attributes = 10
model = MyModel(in_channels, max_num_attributes)

# Simulating fcos2d_extra_output with a list of random tensors
fcos2d_extra_output = {
    'cls_tower_out': [torch.randn(1, in_channels, 32, 32) for _ in range(4)]
}

attr_logits_output, speed_output = model(fcos2d_extra_output)

print("attr_logits_output shape:", attr_logits_output.shape)
print("speed_output shape:", speed_output.shape)

py 复制代码

attr_logits_output shape: torch.Size([4, 1, 10, 32, 32])
speed_output shape: torch.Size([4096])

模型定义：

定义了两个卷积层 attr_logits 和 speed。

前向传播：

遍历 fcos2d_extra_output['cls_tower_out']，对每个张量 x 应用卷积层并将结果存储在 attr_logits 和 speeds 列表中。
使用 torch.stack 将 attr_logits 列表转换为张量。
使用 torch.cat 将 speeds 列表中的每个张量展平并连接成一个大的扁平化张量。

使用示例：

创建了一个模拟的 fcos2d_extra_output，其中包含 4 个随机张量。
通过模型的前向传播方法计算 attr_logits_output 和 speed_output。

输出形状：

attr_logits_output 的形状为 (4, max_num_attributes, 32, 32)。
speed_output 的形状为 (N,)，其中 N 是所有速度张量展平后连接的总长度。

（正文完）

虽然不清楚这样的效果怎么样，但是也能有一定的预测作用。如果想效果好，fcos2d_extra_output 应该需要包含更多时序信息吧。