def vgg_conv2s(n, bottom, learn=1):
n.conv2_1, n.relu2_1 = conv_relu(bottom, 3, 128, pad=1, param=param[learn])
n.conv2_2, n.relu2_2 = conv_relu(n.relu2_1,
3,
128,
pad=1,
param=param[learn])
return n.relu2_2
def vgg_conv1s(n, bottom, learn=1):
n.conv1_1, n.relu1_1 = conv_relu(bottom, 3, 64, pad=1, param=param[learn])
n.conv1_2, n.relu1_2 = conv_relu(n.relu1_1,
3,
64,
pad=1,
param=param[learn])
return n.relu1_2
def vgg_conv5s(n, bottom, learn=1):
n.conv5_1, n.relu5_1 = conv_relu(bottom, 3, 512, pad=1, param=param[learn])
n.conv5_2, n.relu5_2 = conv_relu(n.relu5_1,
3,
512,
pad=1,
param=param[learn])
n.conv5_3, n.relu5_3 = conv_relu(n.relu5_2,
3,
512,
pad=1,
param=param[learn])
return n.relu5_3
def vgg_conv3s(n, bottom, learn=1):
n.conv3_1, n.relu3_1 = conv_relu(bottom, 3, 256, pad=1, param=param[learn])
n.conv3_2, n.relu3_2 = conv_relu(n.relu3_1,
3,
256,
pad=1,
param=param[learn])
n.conv3_3, n.relu3_3 = conv_relu(n.relu3_2,
3,
256,
pad=1,
param=param[learn])
return n.relu3_3
def deeplab_fc6(n, bottom, learn=1):
n.fc6, n.relu6 = conv_relu(bottom,
3,
1024,
pad=12,
dilation=12,
param=param[learn])
n.drop6 = L.Dropout(n.relu6)
return n.drop6
def deeplab_conv5s(n, bottom, learn=1):
n.conv5_1, n.relu5_1 = conv_relu(bottom,
3,
512,
pad=2,
dilation=2,
param=param[learn])
n.conv5_2, n.relu5_2 = conv_relu(n.relu5_1,
3,
512,
pad=2,
dilation=2,
param=param[learn])
n.conv5_3, n.relu5_3 = conv_relu(n.relu5_2,
3,
512,
pad=2,
dilation=2,
param=param[learn])
return n.relu5_3
def gap_fc7(n, bottom, ks, learn=1):
n.fc7_gap, n.relu7_gap = conv_relu(bottom,
ks,
1024,
pad=(ks - 1) / 2,
param=param[learn],
weight_filler=dict(type='gaussian',
std=0.005),
bias_filler=dict(type='constant',
value=0))
n.drop7_gap = L.Dropout(n.relu7_gap, in_place=True)
return n.drop7_gap
def deeplab_fc7(n, bottom, learn=1):
n.fc7, n.relu7 = conv_relu(bottom, 1, 1024, param=param[learn])
n.drop7 = L.Dropout(n.relu7)
return n.drop7
