Update Readme.md

Alexey

2018-08-19 08d0e07ed64139d2552d7801b755af7f34b4a75e

 src/detection_layer.c

@@ -30,7 +30,12 @@
    l.truths = l.side*l.side*(1+l.coords+l.classes);
    l.output = calloc(batch*l.outputs, sizeof(float));
    l.delta = calloc(batch*l.outputs, sizeof(float));

    l.forward = forward_detection_layer;
    l.backward = backward_detection_layer;
#ifdef GPU
    l.forward_gpu = forward_detection_layer_gpu;
    l.backward_gpu = backward_detection_layer_gpu;
    l.output_gpu = cuda_make_array(l.output, batch*l.outputs);
    l.delta_gpu = cuda_make_array(l.delta, batch*l.outputs);
#endif
@@ -53,8 +58,8 @@
            int index = b*l.inputs;
            for (i = 0; i < locations; ++i) {
                int offset = i*l.classes;
                softmax_array(l.output + index + offset, l.classes, 1,
                        l.output + index + offset);
                softmax(l.output + index + offset, l.classes, 1,
                        l.output + index + offset, 1);
            }
        }
    }
@@ -216,6 +221,35 @@
    axpy_cpu(l.batch*l.inputs, 1, l.delta, 1, state.delta, 1);
}

void get_detection_boxes(layer l, int w, int h, float thresh, float **probs, box *boxes, int only_objectness)
{
    int i,j,n;
    float *predictions = l.output;
    //int per_cell = 5*num+classes;
    for (i = 0; i < l.side*l.side; ++i){
        int row = i / l.side;
        int col = i % l.side;
        for(n = 0; n < l.n; ++n){
            int index = i*l.n + n;
            int p_index = l.side*l.side*l.classes + i*l.n + n;
            float scale = predictions[p_index];
            int box_index = l.side*l.side*(l.classes + l.n) + (i*l.n + n)*4;
            boxes[index].x = (predictions[box_index + 0] + col) / l.side * w;
            boxes[index].y = (predictions[box_index + 1] + row) / l.side * h;
            boxes[index].w = pow(predictions[box_index + 2], (l.sqrt?2:1)) * w;
            boxes[index].h = pow(predictions[box_index + 3], (l.sqrt?2:1)) * h;
            for(j = 0; j < l.classes; ++j){
                int class_index = i*l.classes;
                float prob = scale*predictions[class_index+j];
                probs[index][j] = (prob > thresh) ? prob : 0;
            }
            if(only_objectness){
                probs[index][0] = scale;
            }
        }
    }
}

#ifdef GPU

void forward_detection_layer_gpu(const detection_layer l, network_state state)
@@ -251,3 +285,31 @@
}
#endif

void get_detection_detections(layer l, int w, int h, float thresh, detection *dets)
{
   int i, j, n;
   float *predictions = l.output;
   //int per_cell = 5*num+classes;
   for (i = 0; i < l.side*l.side; ++i) {
      int row = i / l.side;
      int col = i % l.side;
      for (n = 0; n < l.n; ++n) {
         int index = i*l.n + n;
         int p_index = l.side*l.side*l.classes + i*l.n + n;
         float scale = predictions[p_index];
         int box_index = l.side*l.side*(l.classes + l.n) + (i*l.n + n) * 4;
         box b;
         b.x = (predictions[box_index + 0] + col) / l.side * w;
         b.y = (predictions[box_index + 1] + row) / l.side * h;
         b.w = pow(predictions[box_index + 2], (l.sqrt ? 2 : 1)) * w;
         b.h = pow(predictions[box_index + 3], (l.sqrt ? 2 : 1)) * h;
         dets[index].bbox = b;
         dets[index].objectness = scale;
         for (j = 0; j < l.classes; ++j) {
            int class_index = i*l.classes;
            float prob = scale*predictions[class_index + j];
            dets[index].prob[j] = (prob > thresh) ? prob : 0;
         }
      }
   }
}