注册企业邮箱号wordpress 优化js

上节研究了PaddleOCR文本检测v3模型的骨干网，本文接着研究其颈部网络。

研究起点

摘取开源yml配置文件，摘取网络架构Architecture中颈部网络的配置如下

  Neck:name: RSEFPNout_channels: 96shortcut: True

可以看出颈部网络的名称为RSEFPN，这个名字可以拆开来做如下理解：

• R
  代表残差（Residual），即输入特征与中间输出特征做加法，形成最终输出特征。
• SE
  代表压发层（Squeeze&Excitation），即通道注意力机制，通过压制与发扬，减弱低效通道作用，强化高效通道效能，详情参考上一节分析。
• FPN
  代表特征金字塔（FeaturePyramidNetwork），即在各个不同尺度上提取目标特征，形成一个原始图像从整体到细节的全方位理解。参照上节的分析，骨干网通过四个阶段，分别在1/4、1/8、1/16、1/32等四个层次上进行操作。

通过搜索，可以找到RSEFPN类的定义在db_fpn.py文件的246-304行，官方链接请参考gitee。

残注层

RSELayer的代码，在db_fpn.py文件的221-243行，包含一个卷积层和一个压发层，这里将RSELayer中文名称取为残注层，意思是既有残差的含义，也有注意力机制的含义。阅读源代码，可以将RSELayer的结构图示如下：

从上到下看残注层结构示意图，首先是传入了一个输入通道数c_in的张量，结构为c_in,h,w，经过一个卷积核为k_in步长为1的卷归层的处理，输出一个结构为c_out,h,w的张量，其中c_out代表设置的输出通道数。接着是一个压发层SEModule，不改变输入张量结构。最后根据shortcut参数是否为True，来决定是否将压发层的结果与压发层的输入做加法。

颈部网络

有了上节残注层的基础知识，RSEFPN类的源码就能看懂。但代码阅读，远没有图来得直观。通过总结理解RSEFPN的代码，可以形成如下颈部网络示意图：
通过上图，可以将颈部网络划分为如下几个部分：

• 对接
  需要从骨干网四个阶段输出，依此承接，参照上图左侧虚线部分，详情见上节都骨干网的分析。
• 通道统一
  通过四个残注层RSELayer，将骨干网四阶段输出，统一转为96通道，宽高不变，依此形成in5/in4/in3/in2四层输出。
• 上采样
  通过三个scale为2的上采样操作，将细粒度下层特征放大，并与上层结果做加法，实现各层次视觉信息的融合，依此形成out4/out3/out2
• 通道压缩
  通过四个卷积核大小为3的残注层RSELayer，将上采样结果进行通道压缩，将原通道数缩为1/4，依此形成p5/p4/p3/p2
• 聚合
  将通道压缩结果，依此做scale=8/4/2的上采样，将所有四层金字塔视觉信息处理成果统一转为通道数、宽、高一致的信息，在通道维度上做拼接，最终将骨干网16/24/56/480通道的四阶段输出，结果颈部网络RSEFPN的处理，形成96通道的输出，宽高与骨干网stage0的输出一致。

代码实验

下面做python的代码实践。通过paddle.summary函数调用，得到以下输出：

--------------------------------------------------------------------------------Layer (type)         Input Shape          Output Shape         Param #    
================================================================================Conv2D-82        [[5, 480, 2, 10]]      [5, 96, 2, 10]        46,080     
AdaptiveAvgPool2D-15   [[5, 96, 2, 10]]      [5, 96, 1, 1]            0       Conv2D-83         [[5, 96, 1, 1]]       [5, 24, 1, 1]          2,328     Conv2D-84         [[5, 24, 1, 1]]       [5, 96, 1, 1]          2,400     SEModule-15        [[5, 96, 2, 10]]      [5, 96, 2, 10]           0       RSELayer-7       [[5, 480, 2, 10]]      [5, 96, 2, 10]           0       stage3->in5Conv2D-76         [[5, 56, 4, 20]]      [5, 96, 4, 20]         5,376     
AdaptiveAvgPool2D-13   [[5, 96, 4, 20]]      [5, 96, 1, 1]            0       Conv2D-77         [[5, 96, 1, 1]]       [5, 24, 1, 1]          2,328     Conv2D-78         [[5, 24, 1, 1]]       [5, 96, 1, 1]          2,400     SEModule-13        [[5, 96, 4, 20]]      [5, 96, 4, 20]           0       RSELayer-5        [[5, 56, 4, 20]]      [5, 96, 4, 20]           0       stage2->in4Conv2D-70         [[5, 24, 8, 40]]      [5, 96, 8, 40]         2,304     
AdaptiveAvgPool2D-11   [[5, 96, 8, 40]]      [5, 96, 1, 1]            0       Conv2D-71         [[5, 96, 1, 1]]       [5, 24, 1, 1]          2,328     Conv2D-72         [[5, 24, 1, 1]]       [5, 96, 1, 1]          2,400     SEModule-11        [[5, 96, 8, 40]]      [5, 96, 8, 40]           0       RSELayer-3        [[5, 24, 8, 40]]      [5, 96, 8, 40]           0       stage1->in3Conv2D-64        [[5, 16, 16, 80]]     [5, 96, 16, 80]         1,536     
AdaptiveAvgPool2D-9   [[5, 96, 16, 80]]      [5, 96, 1, 1]            0       Conv2D-65         [[5, 96, 1, 1]]       [5, 24, 1, 1]          2,328     Conv2D-66         [[5, 24, 1, 1]]       [5, 96, 1, 1]          2,400     SEModule-9       [[5, 96, 16, 80]]     [5, 96, 16, 80]           0       RSELayer-1       [[5, 16, 16, 80]]     [5, 96, 16, 80]           0       stage0->in2Conv2D-85         [[5, 96, 2, 10]]      [5, 24, 2, 10]        20,736     
AdaptiveAvgPool2D-16   [[5, 24, 2, 10]]      [5, 24, 1, 1]            0       Conv2D-86         [[5, 24, 1, 1]]        [5, 6, 1, 1]           150      Conv2D-87          [[5, 6, 1, 1]]       [5, 24, 1, 1]           168      SEModule-16        [[5, 24, 2, 10]]      [5, 24, 2, 10]           0       RSELayer-8        [[5, 96, 2, 10]]      [5, 24, 2, 10]           0       in5->p5Conv2D-79         [[5, 96, 4, 20]]      [5, 24, 4, 20]        20,736     
AdaptiveAvgPool2D-14   [[5, 24, 4, 20]]      [5, 24, 1, 1]            0       Conv2D-80         [[5, 24, 1, 1]]        [5, 6, 1, 1]           150      Conv2D-81          [[5, 6, 1, 1]]       [5, 24, 1, 1]           168      SEModule-14        [[5, 24, 4, 20]]      [5, 24, 4, 20]           0       RSELayer-6        [[5, 96, 4, 20]]      [5, 24, 4, 20]           0       out4->p4Conv2D-73         [[5, 96, 8, 40]]      [5, 24, 8, 40]        20,736     
AdaptiveAvgPool2D-12   [[5, 24, 8, 40]]      [5, 24, 1, 1]            0       Conv2D-74         [[5, 24, 1, 1]]        [5, 6, 1, 1]           150      Conv2D-75          [[5, 6, 1, 1]]       [5, 24, 1, 1]           168      SEModule-12        [[5, 24, 8, 40]]      [5, 24, 8, 40]           0       RSELayer-4        [[5, 96, 8, 40]]      [5, 24, 8, 40]           0       out3->p3Conv2D-67        [[5, 96, 16, 80]]     [5, 24, 16, 80]        20,736     
AdaptiveAvgPool2D-10  [[5, 24, 16, 80]]      [5, 24, 1, 1]            0       Conv2D-68         [[5, 24, 1, 1]]        [5, 6, 1, 1]           150      Conv2D-69          [[5, 6, 1, 1]]       [5, 24, 1, 1]           168      SEModule-10       [[5, 24, 16, 80]]     [5, 24, 16, 80]           0       RSELayer-2       [[5, 96, 16, 80]]     [5, 24, 16, 80]           0       out2->p2
================================================================================
Total params: 158,424
Trainable params: 158,424
Non-trainable params: 0
--------------------------------------------------------------------------------
Input size (MB): 0.81
Forward/backward pass size (MB): 23.39
Params size (MB): 0.60
Estimated Total Size (MB): 24.80
--------------------------------------------------------------------------------

主要输出与上节图形残注层RSELayer的对应关系，备注在行尾。

小结

本文分析了残注层RSELayer的内部结构，了解到卷归层和压发层是其内核；分析了颈部网络RSEFPN的四层金字塔结构，以及颈部网络与骨干网络的对接关系；做了简单的代码实验，将实战输出与图形描述进行了对应标注。代码实验参见gitee。