Использование API обнаружения объектов для обучения Faster-RCNN с Densenet

Question

Я пытаюсь обучить Faster-RCNN с использованием базы базы Densenet.Обучение работает, как и ожидалось, когда я тренируюсь с нуля, однако я хочу использовать контрольную точку обучения Densenet, уже подготовленную.Проблема состоит в том, что предварительно обученная контрольная точка содержит только слои «веса», но для обучения API требуются также слои «смещения», которых нет в контрольной точке, поэтому процесс обучения завершается неудачно, поскольку он не может правильно загрузить контрольную точку.Есть ли способ, как я могу изменить контрольную точку, чтобы она имела дополнительную «смещенную» часть слоев.Репозиторий github, где я получил контрольную точку https://github.com/taki0112/Densenet-Tensorflow

Редактировать: вот запрошенный файл конфигурации конвейера:

model {
  faster_rcnn {
    num_classes: 90
    image_resizer {
      keep_aspect_ratio_resizer {
        min_dimension: 600
        max_dimension: 1024
      }
    }
    feature_extractor {
      type: 'faster_rcnn_densenet121'
      first_stage_features_stride: 8
    }
    first_stage_anchor_generator {
      grid_anchor_generator {
        scales: [0.25, 0.5, 1.0, 2.0]
        aspect_ratios: [0.5, 1.0, 2.0]
        height_stride: 8
        width_stride: 8
      }
    }
    first_stage_atrous_rate: 2
    first_stage_box_predictor_conv_hyperparams {
      op: CONV
      regularizer {
        l2_regularizer {
          weight: 0.0
        }
      }
      initializer {
        truncated_normal_initializer {
          stddev: 0.01
        }
      }
    }
    first_stage_nms_score_threshold: 0.0
    first_stage_nms_iou_threshold: 0.7
    first_stage_max_proposals: 300
    first_stage_localization_loss_weight: 2.0
    first_stage_objectness_loss_weight: 1.0
    initial_crop_size: 17
    maxpool_kernel_size: 1
    maxpool_stride: 1
    second_stage_box_predictor {
      mask_rcnn_box_predictor {
        use_dropout: false
        dropout_keep_probability: 1.0
        fc_hyperparams {
          op: FC
          regularizer {
            l2_regularizer {
              weight: 0.0
            }
          }
          initializer {
            variance_scaling_initializer {
              factor: 1.0
              uniform: true
              mode: FAN_AVG
            }
          }
        }
      }
    }
    second_stage_post_processing {
      batch_non_max_suppression {
        score_threshold: 0.0
        iou_threshold: 0.6
        max_detections_per_class: 100
        max_total_detections: 100
      }
      score_converter: SOFTMAX
    }
    second_stage_localization_loss_weight: 2.0
    second_stage_classification_loss_weight: 1.0
  }
}

train_config: {
  batch_size: 1
  optimizer {
    momentum_optimizer: {
      learning_rate: {
        manual_step_learning_rate {
          initial_learning_rate: 0.001
          schedule {
            step: 9000000
            learning_rate: .0001
          }
          schedule {
            step: 12000000
            learning_rate: .00001
          }
        }
      }
      momentum_optimizer_value: 0.9
    }
    use_moving_average: false
  }
  gradient_clipping_by_norm: 10.0
  # Note: The below line limits the training process to 200K steps, which we
  # empirically found to be sufficient enough to train the pets dataset. This
  # effectively bypasses the learning rate schedule (the learning rate will
  # never decay). Remove the below line to train indefinitely.
  fine_tune_checkpoint: "/home/peter/models/research/object_detection/faster_rcnn_densenet121/tf-densenet121.ckpt"
  fine_tune_checkpoint_type: "classification"
  data_augmentation_options {
    random_horizontal_flip {
    }
  }
}

train_input_reader: {
  tf_record_input_reader {
    input_path: "/home/peter/models/research/object_detection/data/coco_train.record-*"
  }
  label_map_path: "/home/peter/models/research/object_detection/data/mscoco_label_map.pbtxt"
}

eval_config: {
  num_examples: 8000
  max_evals: 10
  # Note: The below line limits the evaluation process to 10 evaluations.
  # Remove the below line to evaluate indefinitely.
  use_moving_averages: false
  metrics_set: "coco_detection_metrics"
  eval_interval_secs: 3600
}

eval_input_reader: {
  tf_record_input_reader {
    input_path: "/home/peter/models/research/object_detection/data/coco_val.record-00000-of-00010"
  }
  label_map_path: "/home/peter/models/research/object_detection/data/mscoco_label_map.pbtxt"
  shuffle: false
  num_readers: 1
  queue_capacity: 20    # change this number
  min_after_dequeue: 1 # change this number (strictly less than the above)
}