基于Pytorch框架及多种深度学习算法实现车道线检测python源码+数据集+超详细注释.zip

spatial 大小 卷积操作 spatial 大小变化 Output = (Input + 2P - K)/S + 1 池化操作 spatial 大小变化 Output = Input / 2 转置卷积(无padding) spatial 大小变化 Output = (I-1)*S+K layer conv/convTrnas pool | spatial output | channels ------------------------------------------------------------------ input | i | 3 ------------------------------------------------------------------ conv1 P=100,K=3,S=1 maxpool | (i+198)/2 | 64 conv2 P=3,K=3,S=1 maxpool | (i+198)/4 | 128 conv3 P=3,K=3,S=1 maxpool | (i+198)/8 | 256 conv4 P=3,K=3,S=1 maxpool | (i+198)/16 | 512 conv5 P=3,K=3,S=1 maxpool | (i+198)/32 | 512 fc6 P=0,K=7,S=1 | (i+6)/32 | 4096 fc7 P=0,K=1,S=1 | (i+6)/32 | 4096 fc8 P=0,K=1,S=1 | (i+6)/32 | n_class ------------------------------------------------------------------ up16s K=4,S=2 | (i+38)/16 | n_class up8s K=4,S=2 | (i+54)/8 | n_class output K=16,S=8 | i+62 | n_class 转置卷积 upsample2_conv4 = ((i+6)/32-1)*2+4 = (i+38)/16 与conv4相差 (i+198)/16 - (i+38)/16 = 10 因此，与conv4融合，需要将conv4调整channel，再从中间crop，也就是两侧各剪裁5像素，再相加。 转置卷积 upsample2_conv3 = ((i+38)/16-1)*2+4 = (i+54)/8 与conv3相差 (i+198)/8 - (i+54)/8 = 18 因此，与conv3融合，需要将conv3调整channel，再从中间crop，也就是两侧各剪裁9像素，再相加。 转置卷积 upsample8 = ((i+54)/8-1)*8+16= i+62 与输入i相差62 需要将upsample8从中间crop，也就是两侧各剪裁31像素，才能和输入spatial一致。