Matlab2022a调用fasterRCNNLayers基于自定义网络构建Faster R-CNN报错咨询

触发Layer 'fc' does not exist报错的核心原因有两个：

1. 层名不匹配：自定义网络时仅给全连接层手动设置了fc名称，其余所有层都未显式命名，MATLAB在网络训练过程中会自动给未命名层分配带序号的规范名称，甚至会调整手动命名层的名称避免冲突，最终训练好的网络中全连接层的实际名称和预设的fc不一致，函数在断开特征层与后续全连接层的连接时找不到对应层，直接触发报错。
2. 特征层选择逻辑错误：预设的特征层relu_2是依赖MATLAB自动命名规则得到的层名，实际网络中该名称对应的层和预期的第二个relu层可能存在偏移，导致函数识别特征层位置错误，后续层查找逻辑完全失效。

• 所有层必须显式设置唯一的Name属性，绝对不能依赖MATLAB自动生成的层名，避免名称匹配错误。
• 传入的基础网络如果是训练好的分类网络，需要手动剥离最后的softmaxLayer和classificationLayer分类头，不要直接传入完整的训练后网络对象，避免函数自动剥离层时识别错误。
• 选择的featureLayer（特征提取层）必须是输出二维特征图的卷积层、ReLU激活层或者池化层，不能是全连接层及之后的层；同时要保证该层的下采样倍率和设置的anchor尺寸匹配：特征层相对于输入图像的总步长*特征图上anchor的尺寸，要和输入图上预设的anchor尺寸一致。
• 调用函数时传入的numClasses填写实际要检测的目标类别数即可，函数内部会自动添加背景类，不需要手动加1。
• 基础网络的输入通道数要和inputImageSize的通道数一致（比如单通道灰度图对应通道数1，RGB图对应通道数3），函数内部会自动调整输入层的宽高尺寸适配检测任务，不需要和原分类网络的输入尺寸完全一致。

首先修改自定义分类网络的层定义，给所有层显式命名：

% cup_use_net_h.m 中网络层定义部分修改为
layers = [ ...
    imageInputLayer([180 60 1],'Name','input')
    convolution2dLayer(5,40,'Name','conv1')
    reluLayer('Name','relu1')
    maxPooling2dLayer(2,'Stride',2,'Name','maxpool1')
    convolution2dLayer(5,10,'Name','conv2')
    reluLayer('Name','relu2')
    maxPooling2dLayer(5,'Stride',5,'Name','maxpool2')
    fullyConnectedLayer(2,'Name','fc')
    softmaxLayer('Name','softmax')
    classificationLayer('Name','classoutput')];

然后修改Faster R-CNN构建代码，调整特征层、处理传入的基础网络：

% cup_faster_rcnn_c.m 修改为
load("cup_single_mark_net.mat");
% 取出训练好的网络层，手动剥离最后两层分类头
baseLayers = net.Layers(1:end-2);
inputImageSize = [450,400,1];
% 选择maxpool2作为特征层，该层总下采样步长为2*5=10，和anchor尺寸匹配
featureLayer = 'maxpool2';
anchorBoxes = [180,60; 150,50];
numClasses = 2;
lgraph = fasterRCNNLayers(inputImageSize,numClasses,anchorBoxes, ...
                          baseLayers,featureLayer)
analyzeNetwork(lgraph);

注意：如果修改后仍然报错，可以先执行analyzeNetwork(net)查看训练好的网络所有层的实际名称，确认层名和填写的参数完全一致再运行。

内容的提问来源于stack exchange，提问作者Chen Yu