SNI上采样绘图

[maocenWang]

关于您在Fig3中给出的有无SNI得模型表现的特征图，我想问一下对于YOLO5分别取得是哪几层的特征图进行展示的，非常感谢您能解答。

[alanli1997]

关于您在Fig3中给出的有无SNI得模型表现的特征图，我想问一下对于YOLO5分别取得是哪几层的特征图进行展示的，非常感谢您能解答。

感谢关注。我记得应该是Neck中的1/8或1/16这个规格的特征图。如果是Yolov5，大概是在第11或15层？

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, SNI, [512, 2]],  # ------------11层
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, SNI, [256, 2]],  # ------------- 15层
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

另外，可以关注我们的新的优化版本的工作，SNI-r in SLVM

[maocenWang]

非常感谢您的回复，在您的图中展示箭头为P4引出，是否可以理解为展示的是对Backbone中P4特征图进行SNI特征图上采样后的操作。
如果如在yolov5中展示13层或17层的特征图以显示SNI的作用，是否合理。

[alanli1997]

非常感谢您的回复，在您的图中展示箭头为P4引出，是否可以理解为展示的是对Backbone中P4特征图进行SNI特征图上采样后的操作。 如果如在yolov5中展示13层或17层的特征图以显示SNI的作用，是否合理。

P3/P4需要根据你的输入图像来决定哪个scale的可视化纹理更适合判断。SNI核心是“软化”高级特征，13/17层的特征图是经过C3 block处理过的，与11/15相比，这会弱化SNI与传统NI的区别。但是，如果13/17层输出的特征图普遍具有更好的纹理，我认为也可以间接证明 SNI 在特征对齐上work

[maocenWang]

非常感谢您的回复，祝您工作顺利