PdRSCD/ppcd/models

• 模型库与自定义模型
• • 一、模型库
  • 二、自定义模型

模型库与自定义模型

一、模型库

相关模型可以去往ppcd.models下查看，包括参数等等。如果需要使用自建的模型，可在ppcd.models下新建.py文件，完成模型搭建，并在对应的init文件夹下导入自己的模型。有关模型的建立需要注意两点：

• 返回的结果为一个list，就算只有一个结果也需要用“[]”包起来；
• BCELoss中使用了sigmoid函数，在网络的最后不需要添加sigmoid。

模型	使用	输入图像列表张数	返回列表长度
Fast-SCNN	ppcd.models.FastSCNN()	$N(N\ge1)$	1 / 2
UNet	ppcd.models.UNet()	$N(N\ge1)$	1
SNUNet-CD	ppcd.models.SNUNet()	2	1 / 5
DSIFN	ppcd.models.DSIFN()	2	1
STANet	ppcd.models.STANet()	2	1
*CDMI-Net	ppcd.models.CDMINet()	2	2
*DTCDSCD	ppcd.models.CDNet34	2	3

其中上述模型中前5个模型得到的结果均为变化检测图；后2个模型比较特殊，数据组织和训练方式也有所差别，第6个模型以分类的方式进行训练，得到的结果为特征图和分类结果，需要使用阈值等得到变化检测图；第7个模型得到的结果为变化检测图以及两个时段的分割图。

• 注意：*号注释的两个模型尚未进行验证，不一定能成功进行训练（主要是没那种数据）。所有模型均未与源代码对齐，结果不代表源代码结果。模型仅供参考，最好的用法是自建模型然后在这个流程中进行训练和预测。

二、自定义模型

目前的模型与分割模型的定义相似，只是在forward中需要list作为输入。分割模型的自定义可以参考PaddleSeg自定义模型，在ppcd中构造如下：

import paddle.nn as nn


class NewNet(nn.Layer):
    def __init__(self, param1, param2, param3):
        pass
    
    def forward(self, imgs):
        # 这里的imgs是一个列表，输入图像为[img_1, img_2, img_3, ……]
        return [out]