modules/dnn/include/opencv2/dnn/all_layers.hpp

   1 /*M///////////////////////////////////////////////////////////////////////////////////////
   2 //
   3 //  IMPORTANT: READ BEFORE DOWNLOADING, COPYING, INSTALLING OR USING.
   4 //
   5 //  By downloading, copying, installing or using the software you agree to this license.
   6 //  If you do not agree to this license, do not download, install,
   7 //  copy or use the software.
   8 //
   9 //
  10 //                           License Agreement
  11 //                For Open Source Computer Vision Library
  12 //
  13 // Copyright (C) 2013, OpenCV Foundation, all rights reserved.
  14 // Third party copyrights are property of their respective owners.
  15 //
  16 // Redistribution and use in source and binary forms, with or without modification,
  17 // are permitted provided that the following conditions are met:
  18 //
  19 //   * Redistribution's of source code must retain the above copyright notice,
  20 //     this list of conditions and the following disclaimer.
  21 //
  22 //   * Redistribution's in binary form must reproduce the above copyright notice,
  23 //     this list of conditions and the following disclaimer in the documentation
  24 //     and/or other materials provided with the distribution.
  25 //
  26 //   * The name of the copyright holders may not be used to endorse or promote products
  27 //     derived from this software without specific prior written permission.
  28 //
  29 // This software is provided by the copyright holders and contributors "as is" and
  30 // any express or implied warranties, including, but not limited to, the implied
  31 // warranties of merchantability and fitness for a particular purpose are disclaimed.
  32 // In no event shall the Intel Corporation or contributors be liable for any direct,
  33 // indirect, incidental, special, exemplary, or consequential damages
  34 // (including, but not limited to, procurement of substitute goods or services;
  35 // loss of use, data, or profits; or business interruption) however caused
  36 // and on any theory of liability, whether in contract, strict liability,
  37 // or tort (including negligence or otherwise) arising in any way out of
  38 // the use of this software, even if advised of the possibility of such damage.
  39 //
  40 //M*/
  41
  42 #ifndef OPENCV_DNN_DNN_ALL_LAYERS_HPP
  43 #define OPENCV_DNN_DNN_ALL_LAYERS_HPP
  44 #include <opencv2/dnn.hpp>
  45
  46 namespace cv {
  47 namespace dnn {
  48 CV__DNN_INLINE_NS_BEGIN
  49 //! @addtogroup dnn
  50 //! @{
  51
  52 /** @defgroup dnnLayerList Partial List of Implemented Layers
  53   @{
  54   This subsection of dnn module contains information about built-in layers and their descriptions.
  55
  56   Classes listed here, in fact, provides C++ API for creating instances of built-in layers.
  57   In addition to this way of layers instantiation, there is a more common factory API (see @ref dnnLayerFactory), it allows to create layers dynamically (by name) and register new ones.
  58   You can use both API, but factory API is less convenient for native C++ programming and basically designed for use inside importers (see @ref readNetFromCaffe(), @ref readNetFromTorch(), @ref readNetFromTensorflow()).
  59
  60   Built-in layers partially reproduce functionality of corresponding Caffe and Torch7 layers.
  61   In particular, the following layers and Caffe importer were tested to reproduce <a href="http://caffe.berkeleyvision.org/tutorial/layers.html">Caffe</a> functionality:
  62   - Convolution
  63   - Deconvolution
  64   - Pooling
  65   - InnerProduct
  66   - TanH, ReLU, Sigmoid, BNLL, Power, AbsVal
  67   - Softmax
  68   - Reshape, Flatten, Slice, Split
  69   - LRN
  70   - MVN
  71   - Dropout (since it does nothing on forward pass -))
  72 */
  73
  74     class CV_EXPORTS BlankLayer : public Layer
  75     {
  76     public:
  77         static Ptr<Layer> create(const LayerParams &params);
  78     };
  79
  80     /**
  81      * Constant layer produces the same data blob at an every forward pass.
  82      */
  83     class CV_EXPORTS ConstLayer : public Layer
  84     {
  85     public:
  86         static Ptr<Layer> create(const LayerParams &params);
  87     };
  88
  89     //! LSTM recurrent layer
  90     class CV_EXPORTS LSTMLayer : public Layer
  91     {
  92     public:
  93         /** Creates instance of LSTM layer */
  94         static Ptr<LSTMLayer> create(const LayerParams& params);
  95
  96         /** @deprecated Use LayerParams::blobs instead.
  97         @brief Set trained weights for LSTM layer.
  98
  99         LSTM behavior on each step is defined by current input, previous output, previous cell state and learned weights.
 100
 101         Let @f$x_t@f$ be current input, @f$h_t@f$ be current output, @f$c_t@f$ be current state.
 102         Than current output and current cell state is computed as follows:
 103         @f{eqnarray*}{
 104         h_t &= o_t \odot tanh(c_t),               \\
 105         c_t &= f_t \odot c_{t-1} + i_t \odot g_t, \\
 106         @f}
 107         where @f$\odot@f$ is per-element multiply operation and @f$i_t, f_t, o_t, g_t@f$ is internal gates that are computed using learned weights.
 108
 109         Gates are computed as follows:
 110         @f{eqnarray*}{
 111         i_t &= sigmoid&(W_{xi} x_t + W_{hi} h_{t-1} + b_i), \\
 112         f_t &= sigmoid&(W_{xf} x_t + W_{hf} h_{t-1} + b_f), \\
 113         o_t &= sigmoid&(W_{xo} x_t + W_{ho} h_{t-1} + b_o), \\
 114         g_t &= tanh   &(W_{xg} x_t + W_{hg} h_{t-1} + b_g), \\
 115         @f}
 116         where @f$W_{x?}@f$, @f$W_{h?}@f$ and @f$b_{?}@f$ are learned weights represented as matrices:
 117         @f$W_{x?} \in R^{N_h \times N_x}@f$, @f$W_{h?} \in R^{N_h \times N_h}@f$, @f$b_? \in R^{N_h}@f$.
 118
 119         For simplicity and performance purposes we use @f$ W_x = [W_{xi}; W_{xf}; W_{xo}, W_{xg}] @f$
 120         (i.e. @f$W_x@f$ is vertical concatenation of @f$ W_{x?} @f$), @f$ W_x \in R^{4N_h \times N_x} @f$.
 121         The same for @f$ W_h = [W_{hi}; W_{hf}; W_{ho}, W_{hg}], W_h \in R^{4N_h \times N_h} @f$
 122         and for @f$ b = [b_i; b_f, b_o, b_g]@f$, @f$b \in R^{4N_h} @f$.
 123
 124         @param Wh is matrix defining how previous output is transformed to internal gates (i.e. according to above mentioned notation is @f$ W_h @f$)
 125         @param Wx is matrix defining how current input is transformed to internal gates (i.e. according to above mentioned notation is @f$ W_x @f$)
 126         @param b  is bias vector (i.e. according to above mentioned notation is @f$ b @f$)
 127         */
 128         CV_DEPRECATED virtual void setWeights(const Mat &Wh, const Mat &Wx, const Mat &b) = 0;
 129
 130         /** @brief Specifies shape of output blob which will be [[`T`], `N`] + @p outTailShape.
 131           * @details If this parameter is empty or unset then @p outTailShape = [`Wh`.size(0)] will be used,
 132           * where `Wh` is parameter from setWeights().
 133           */
 134         virtual void setOutShape(const MatShape &outTailShape = MatShape()) = 0;
 135
 136         /** @deprecated Use flag `produce_cell_output` in LayerParams.
 137           * @brief Specifies either interpret first dimension of input blob as timestamp dimension either as sample.
 138           *
 139           * If flag is set to true then shape of input blob will be interpreted as [`T`, `N`, `[data dims]`] where `T` specifies number of timestamps, `N` is number of independent streams.
 140           * In this case each forward() call will iterate through `T` timestamps and update layer's state `T` times.
 141           *
 142           * If flag is set to false then shape of input blob will be interpreted as [`N`, `[data dims]`].
 143           * In this case each forward() call will make one iteration and produce one timestamp with shape [`N`, `[out dims]`].
 144           */
 145         CV_DEPRECATED virtual void setUseTimstampsDim(bool use = true) = 0;
 146
 147         /** @deprecated Use flag `use_timestamp_dim` in LayerParams.
 148          * @brief If this flag is set to true then layer will produce @f$ c_t @f$ as second output.
 149          * @details Shape of the second output is the same as first output.
 150          */
 151         CV_DEPRECATED virtual void setProduceCellOutput(bool produce = false) = 0;
 152
 153         /* In common case it use single input with @f$x_t@f$ values to compute output(s) @f$h_t@f$ (and @f$c_t@f$).
 154          * @param input should contain packed values @f$x_t@f$
 155          * @param output contains computed outputs: @f$h_t@f$ (and @f$c_t@f$ if setProduceCellOutput() flag was set to true).
 156          *
 157          * If setUseTimstampsDim() is set to true then @p input[0] should has at least two dimensions with the following shape: [`T`, `N`, `[data dims]`],
 158          * where `T` specifies number of timestamps, `N` is number of independent streams (i.e. @f$ x_{t_0 + t}^{stream} @f$ is stored inside @p input[0][t, stream, ...]).
 159          *
 160          * If setUseTimstampsDim() is set to false then @p input[0] should contain single timestamp, its shape should has form [`N`, `[data dims]`] with at least one dimension.
 161          * (i.e. @f$ x_{t}^{stream} @f$ is stored inside @p input[0][stream, ...]).
 162         */
 163
 164         int inputNameToIndex(String inputName) CV_OVERRIDE;
 165         int outputNameToIndex(const String& outputName) CV_OVERRIDE;
 166     };
 167
 168     /** @brief GRU recurrent one-layer
 169      *
 170      * Accepts input sequence and computes the final hidden state for each element in the batch.
 171      *
 172      * - input[0] containing the features of the input sequence.
 173      * input[0] should have shape [`T`, `N`, `data_dims`] where `T` is sequence length, `N` is batch size, `data_dims` is input size
 174      * - output would have shape [`T`, `N`, `D` * `hidden_size`] where `D = 2` if layer is bidirectional otherwise `D = 1`
 175      *
 176      * Depends on the following attributes:
 177      * - hidden_size - Number of neurons in the hidden layer
 178      * - direction - RNN could be bidirectional or forward
 179      *
 180      * The final hidden state @f$ h_t @f$ computes by the following formulas:
 181      *
 182      @f{eqnarray*}{
 183      r_t = \sigma(W_{ir} x_t + b_{ir} + W_{hr} h_{(t-1)} + b_{hr}) \\
 184      z_t = \sigma(W_{iz} x_t + b_{iz} + W_{hz} h_{(t-1)} + b_{hz}) \\
 185      n_t = \tanh(W_{in} x_t + b_{in} + r_t \odot (W_{hn} h_{(t-1)}+ b_{hn})) \\
 186      h_t = (1 - z_t) \odot n_t + z_t \odot h_{(t-1)} \\
 187      @f}
 188      * Where @f$x_t@f$ is current input, @f$h_{(t-1)}@f$ is previous or initial hidden state.
 189      *
 190      * @f$W_{x?}@f$, @f$W_{h?}@f$ and @f$b_{?}@f$ are learned weights represented as matrices:
 191      * @f$W_{x?} \in R^{N_h \times N_x}@f$, @f$W_{h?} \in R^{N_h \times N_h}@f$, @f$b_? \in R^{N_h}@f$.
 192      *
 193      * @f$\odot@f$ is per-element multiply operation.
 194     */
 195     class CV_EXPORTS GRULayer : public Layer
 196     {
 197     public:
 198         /** Creates instance of GRU layer */
 199         static Ptr<GRULayer> create(const LayerParams& params);
 200     };
 201
 202     /** @brief Classical recurrent layer
 203
 204     Accepts two inputs @f$x_t@f$ and @f$h_{t-1}@f$ and compute two outputs @f$o_t@f$ and @f$h_t@f$.
 205
 206     - input: should contain packed input @f$x_t@f$.
 207     - output: should contain output @f$o_t@f$ (and @f$h_t@f$ if setProduceHiddenOutput() is set to true).
 208
 209     input[0] should have shape [`T`, `N`, `data_dims`] where `T` and `N` is number of timestamps and number of independent samples of @f$x_t@f$ respectively.
 210
 211     output[0] will have shape [`T`, `N`, @f$N_o@f$], where @f$N_o@f$ is number of rows in @f$ W_{xo} @f$ matrix.
 212
 213     If setProduceHiddenOutput() is set to true then @p output[1] will contain a Mat with shape [`T`, `N`, @f$N_h@f$], where @f$N_h@f$ is number of rows in @f$ W_{hh} @f$ matrix.
 214     */
 215     class CV_EXPORTS RNNLayer : public Layer
 216     {
 217     public:
 218         /** Creates instance of RNNLayer */
 219         static Ptr<RNNLayer> create(const LayerParams& params);
 220
 221         /** Setups learned weights.
 222
 223         Recurrent-layer behavior on each step is defined by current input @f$ x_t @f$, previous state @f$ h_t @f$ and learned weights as follows:
 224         @f{eqnarray*}{
 225         h_t &= tanh&(W_{hh} h_{t-1} + W_{xh} x_t + b_h),  \\
 226         o_t &= tanh&(W_{ho} h_t + b_o),
 227         @f}
 228
 229         @param Wxh is @f$ W_{xh} @f$ matrix
 230         @param bh  is @f$ b_{h}  @f$ vector
 231         @param Whh is @f$ W_{hh} @f$ matrix
 232         @param Who is @f$ W_{xo} @f$ matrix
 233         @param bo  is @f$ b_{o}  @f$ vector
 234         */
 235         virtual void setWeights(const Mat &Wxh, const Mat &bh, const Mat &Whh, const Mat &Who, const Mat &bo) = 0;
 236
 237         /** @brief If this flag is set to true then layer will produce @f$ h_t @f$ as second output.
 238          * @details Shape of the second output is the same as first output.
 239          */
 240         virtual void setProduceHiddenOutput(bool produce = false) = 0;
 241
 242     };
 243
 244     class CV_EXPORTS BaseConvolutionLayer : public Layer
 245     {
 246     public:
 247         CV_DEPRECATED_EXTERNAL Size kernel, stride, pad, dilation, adjustPad;
 248         std::vector<size_t> adjust_pads;
 249         std::vector<size_t> kernel_size, strides, dilations;
 250         std::vector<size_t> pads_begin, pads_end;
 251         String padMode;
 252         int numOutput;
 253     };
 254
 255     class CV_EXPORTS ConvolutionLayer : public BaseConvolutionLayer
 256     {
 257     public:
 258         static Ptr<BaseConvolutionLayer> create(const LayerParams& params);
 259     };
 260
 261     class CV_EXPORTS ConvolutionLayerInt8 : public BaseConvolutionLayer
 262     {
 263     public:
 264         int input_zp, output_zp;
 265         float input_sc, output_sc;
 266
 267         // quantization type flag. The perChannel default is true, that means it contains the parameters
 268         // of per-Channel quantization. Otherwise, that means this layer contains per-Tensor quantized parameters.
 269         bool per_channel;
 270         static Ptr<BaseConvolutionLayer> create(const LayerParams& params);
 271     };
 272
 273     class CV_EXPORTS DeconvolutionLayer : public BaseConvolutionLayer
 274     {
 275     public:
 276         static Ptr<BaseConvolutionLayer> create(const LayerParams& params);
 277     };
 278
 279     class CV_EXPORTS LRNLayer : public Layer
 280     {
 281     public:
 282         int type;
 283
 284         int size;
 285         float alpha, beta, bias;
 286         bool normBySize;
 287
 288         static Ptr<LRNLayer> create(const LayerParams& params);
 289     };
 290
 291
 292     /** @brief ArgMax/ArgMin layer
 293      * @note returns indices as floats, which means the supported range is [-2^24; 2^24]
 294      */
 295     class CV_EXPORTS ArgLayer : public Layer
 296     {
 297     public:
 298         static Ptr<ArgLayer> create(const LayerParams& params);
 299     };
 300
 301     class CV_EXPORTS PoolingLayer : public Layer
 302     {
 303     public:
 304         int type;
 305         std::vector<size_t> kernel_size, strides;
 306         std::vector<size_t> pads_begin, pads_end;
 307         bool globalPooling; //!< Flag is true if at least one of the axes is global pooled.
 308         std::vector<bool> isGlobalPooling;
 309         bool computeMaxIdx;
 310         String padMode;
 311         bool ceilMode;
 312         // If true for average pooling with padding, divide an every output region
 313         // by a whole kernel area. Otherwise exclude zero padded values and divide
 314         // by number of real values.
 315         bool avePoolPaddedArea;
 316         // ROIPooling parameters.
 317         Size pooledSize;
 318         float spatialScale;
 319         // PSROIPooling parameters.
 320         int psRoiOutChannels;
 321
 322         static Ptr<PoolingLayer> create(const LayerParams& params);
 323     };
 324
 325     class CV_EXPORTS PoolingLayerInt8 : public PoolingLayer
 326     {
 327     public:
 328         int input_zp, output_zp;
 329         float input_sc, output_sc;
 330         static Ptr<PoolingLayerInt8> create(const LayerParams& params);
 331     };
 332
 333     class CV_EXPORTS ReduceLayer : public Layer
 334     {
 335     public:
 336         int reduceType;
 337         std::vector<size_t> reduceDims;
 338         static Ptr<ReduceLayer> create(const LayerParams& params);
 339     };
 340
 341     class CV_EXPORTS ReduceLayerInt8 : public ReduceLayer
 342     {
 343     public:
 344         static Ptr<ReduceLayerInt8> create(const LayerParams& params);
 345     };
 346
 347     class CV_EXPORTS SoftmaxLayer : public Layer
 348     {
 349     public:
 350         bool logSoftMax;
 351
 352         static Ptr<SoftmaxLayer> create(const LayerParams& params);
 353     };
 354
 355     class CV_EXPORTS SoftmaxLayerInt8 : public SoftmaxLayer
 356     {
 357     public:
 358         float output_sc;
 359         int output_zp;
 360         static Ptr<SoftmaxLayerInt8> create(const LayerParams& params);
 361     };
 362
 363     class CV_EXPORTS InnerProductLayer : public Layer
 364     {
 365     public:
 366         int axis;
 367         static Ptr<InnerProductLayer> create(const LayerParams& params);
 368     };
 369
 370     class CV_EXPORTS InnerProductLayerInt8 : public InnerProductLayer
 371     {
 372     public:
 373         int input_zp, output_zp;
 374         float input_sc, output_sc;
 375
 376         // quantization type flag. The perChannel default is true, that means it contains the parameters
 377         // of per-Channel quantization. Otherwise, that means this layer contains per-Tensor quantized parameters.
 378         bool per_channel;
 379         static Ptr<InnerProductLayerInt8> create(const LayerParams& params);
 380     };
 381
 382     class CV_EXPORTS MVNLayer : public Layer
 383     {
 384     public:
 385         float eps;
 386         bool normVariance, acrossChannels;
 387
 388         static Ptr<MVNLayer> create(const LayerParams& params);
 389     };
 390
 391     /* Reshaping */
 392
 393     class CV_EXPORTS ReshapeLayer : public Layer
 394     {
 395     public:
 396         MatShape newShapeDesc;
 397         Range newShapeRange;
 398
 399         static Ptr<ReshapeLayer> create(const LayerParams& params);
 400     };
 401
 402     class CV_EXPORTS FlattenLayer : public Layer
 403     {
 404     public:
 405         static Ptr<FlattenLayer> create(const LayerParams &params);
 406     };
 407
 408     class CV_EXPORTS QuantizeLayer : public Layer
 409     {
 410     public:
 411         float scale;
 412         int zeropoint;
 413         static Ptr<QuantizeLayer> create(const LayerParams &params);
 414     };
 415
 416     class CV_EXPORTS DequantizeLayer : public Layer
 417     {
 418     public:
 419         float scale;
 420         int zeropoint;
 421         static Ptr<DequantizeLayer> create(const LayerParams &params);
 422     };
 423
 424     class CV_EXPORTS RequantizeLayer : public Layer
 425     {
 426     public:
 427         float scale, shift;
 428         static Ptr<RequantizeLayer> create(const LayerParams &params);
 429     };
 430
 431     class CV_EXPORTS ConcatLayer : public Layer
 432     {
 433     public:
 434         int axis;
 435         /**
 436          * @brief Add zero padding in case of concatenation of blobs with different
 437          * spatial sizes.
 438          *
 439          * Details: https://github.com/torch/nn/blob/master/doc/containers.md#depthconcat
 440          */
 441         bool padding;
 442         int paddingValue;
 443
 444         static Ptr<ConcatLayer> create(const LayerParams &params);
 445     };
 446
 447     class CV_EXPORTS SplitLayer : public Layer
 448     {
 449     public:
 450         int outputsCount; //!< Number of copies that will be produced (is ignored when negative).
 451
 452         static Ptr<SplitLayer> create(const LayerParams &params);
 453     };
 454
 455     /**
 456      * Slice layer has several modes:
 457      * 1. Caffe mode
 458      * @param[in] axis Axis of split operation
 459      * @param[in] slice_point Array of split points
 460      *
 461      * Number of output blobs equals to number of split points plus one. The
 462      * first blob is a slice on input from 0 to @p slice_point[0] - 1 by @p axis,
 463      * the second output blob is a slice of input from @p slice_point[0] to
 464      * @p slice_point[1] - 1 by @p axis and the last output blob is a slice of
 465      * input from @p slice_point[-1] up to the end of @p axis size.
 466      *
 467      * 2. TensorFlow mode
 468      * @param begin Vector of start indices
 469      * @param size Vector of sizes
 470      *
 471      * More convenient numpy-like slice. One and only output blob
 472      * is a slice `input[begin[0]:begin[0]+size[0], begin[1]:begin[1]+size[1], ...]`
 473      *
 474      * 3. Torch mode
 475      * @param axis Axis of split operation
 476      *
 477      * Split input blob on the equal parts by @p axis.
 478      */
 479     class CV_EXPORTS SliceLayer : public Layer
 480     {
 481     public:
 482         /**
 483          * @brief Vector of slice ranges.
 484          *
 485          * The first dimension equals number of output blobs.
 486          * Inner vector has slice ranges for the first number of input dimensions.
 487          */
 488         std::vector<std::vector<Range> > sliceRanges;
 489         std::vector<std::vector<int> > sliceSteps;
 490         int axis;
 491         int num_split;
 492
 493         static Ptr<SliceLayer> create(const LayerParams &params);
 494     };
 495
 496     class CV_EXPORTS PermuteLayer : public Layer
 497     {
 498     public:
 499         static Ptr<PermuteLayer> create(const LayerParams& params);
 500     };
 501
 502     /**
 503      * Permute channels of 4-dimensional input blob.
 504      * @param group Number of groups to split input channels and pick in turns
 505      *              into output blob.
 506      *
 507      * \f[ groupSize = \frac{number\ of\ channels}{group} \f]
 508      * \f[ output(n, c, h, w) = input(n, groupSize \times (c \% group) + \lfloor \frac{c}{group} \rfloor, h, w) \f]
 509      * Read more at https://arxiv.org/pdf/1707.01083.pdf
 510      */
 511     class CV_EXPORTS ShuffleChannelLayer : public Layer
 512     {
 513     public:
 514         static Ptr<Layer> create(const LayerParams& params);
 515
 516         int group;
 517     };
 518
 519     /**
 520      * @brief Adds extra values for specific axes.
 521      * @param paddings Vector of paddings in format
 522      *                 @code
 523      *                 [ pad_before, pad_after,  // [0]th dimension
 524      *                   pad_before, pad_after,  // [1]st dimension
 525      *                   ...
 526      *                   pad_before, pad_after ] // [n]th dimension
 527      *                 @endcode
 528      *                 that represents number of padded values at every dimension
 529      *                 starting from the first one. The rest of dimensions won't
 530      *                 be padded.
 531      * @param value Value to be padded. Defaults to zero.
 532      * @param type Padding type: 'constant', 'reflect'
 533      * @param input_dims Torch's parameter. If @p input_dims is not equal to the
 534      *                   actual input dimensionality then the `[0]th` dimension
 535      *                   is considered as a batch dimension and @p paddings are shifted
 536      *                   to a one dimension. Defaults to `-1` that means padding
 537      *                   corresponding to @p paddings.
 538      */
 539     class CV_EXPORTS PaddingLayer : public Layer
 540     {
 541     public:
 542         static Ptr<PaddingLayer> create(const LayerParams& params);
 543     };
 544
 545     /* Activations */
 546     class CV_EXPORTS ActivationLayer : public Layer
 547     {
 548     public:
 549         virtual void forwardSlice(const float* src, float* dst, int len,
 550                                   size_t outPlaneSize, int cn0, int cn1) const {};
 551         virtual void forwardSlice(const int* src, const int* lut, int* dst, int len,
 552                                   size_t outPlaneSize, int cn0, int cn1) const {};
 553         virtual void forwardSlice(const int8_t* src, const int8_t* lut, int8_t* dst, int len,
 554                                   size_t outPlaneSize, int cn0, int cn1) const {};
 555     };
 556
 557     class CV_EXPORTS ReLULayer : public ActivationLayer
 558     {
 559     public:
 560         float negativeSlope;
 561
 562         static Ptr<ReLULayer> create(const LayerParams &params);
 563     };
 564
 565     class CV_EXPORTS ReLU6Layer : public ActivationLayer
 566     {
 567     public:
 568         float minValue, maxValue;
 569
 570         static Ptr<ReLU6Layer> create(const LayerParams &params);
 571     };
 572
 573     class CV_EXPORTS ChannelsPReLULayer : public ActivationLayer
 574     {
 575     public:
 576         static Ptr<Layer> create(const LayerParams& params);
 577     };
 578
 579     class CV_EXPORTS ELULayer : public ActivationLayer
 580     {
 581     public:
 582         float alpha;
 583
 584         static Ptr<ELULayer> create(const LayerParams &params);
 585     };
 586
 587     class CV_EXPORTS TanHLayer : public ActivationLayer
 588     {
 589     public:
 590         static Ptr<TanHLayer> create(const LayerParams &params);
 591     };
 592
 593     class CV_EXPORTS SwishLayer : public ActivationLayer
 594     {
 595     public:
 596         static Ptr<SwishLayer> create(const LayerParams &params);
 597     };
 598
 599     class CV_EXPORTS MishLayer : public ActivationLayer
 600     {
 601     public:
 602         static Ptr<MishLayer> create(const LayerParams &params);
 603     };
 604
 605     class CV_EXPORTS SigmoidLayer : public ActivationLayer
 606     {
 607     public:
 608         static Ptr<SigmoidLayer> create(const LayerParams &params);
 609     };
 610
 611     class CV_EXPORTS BNLLLayer : public ActivationLayer
 612     {
 613     public:
 614         static Ptr<BNLLLayer> create(const LayerParams &params);
 615     };
 616
 617     class CV_EXPORTS AbsLayer : public ActivationLayer
 618     {
 619     public:
 620         static Ptr<AbsLayer> create(const LayerParams &params);
 621     };
 622
 623     class CV_EXPORTS PowerLayer : public ActivationLayer
 624     {
 625     public:
 626         float power, scale, shift;
 627
 628         static Ptr<PowerLayer> create(const LayerParams &params);
 629     };
 630
 631     class CV_EXPORTS ExpLayer : public ActivationLayer
 632     {
 633     public:
 634         float base, scale, shift;
 635
 636         static Ptr<ExpLayer> create(const LayerParams &params);
 637     };
 638
 639     class CV_EXPORTS CeilLayer : public ActivationLayer
 640     {
 641     public:
 642         static Ptr<CeilLayer> create(const LayerParams &params);
 643     };
 644
 645     class CV_EXPORTS FloorLayer : public ActivationLayer
 646     {
 647     public:
 648         static Ptr<FloorLayer> create(const LayerParams &params);
 649     };
 650
 651     class CV_EXPORTS LogLayer : public ActivationLayer
 652     {
 653     public:
 654         static Ptr<LogLayer> create(const LayerParams &params);
 655     };
 656
 657     class CV_EXPORTS RoundLayer : public ActivationLayer
 658     {
 659     public:
 660         static Ptr<RoundLayer> create(const LayerParams &params);
 661     };
 662
 663     class CV_EXPORTS SqrtLayer : public ActivationLayer
 664     {
 665     public:
 666         static Ptr<SqrtLayer> create(const LayerParams &params);
 667     };
 668
 669     class CV_EXPORTS NotLayer : public ActivationLayer
 670     {
 671     public:
 672         static Ptr<NotLayer> create(const LayerParams &params);
 673     };
 674
 675     class CV_EXPORTS AcosLayer : public ActivationLayer
 676     {
 677     public:
 678         static Ptr<AcosLayer> create(const LayerParams &params);
 679     };
 680
 681     class CV_EXPORTS AcoshLayer : public ActivationLayer
 682     {
 683     public:
 684         static Ptr<AcoshLayer> create(const LayerParams &params);
 685     };
 686
 687     class CV_EXPORTS AsinLayer : public ActivationLayer
 688     {
 689     public:
 690         static Ptr<AsinLayer> create(const LayerParams &params);
 691     };
 692
 693     class CV_EXPORTS AsinhLayer : public ActivationLayer
 694     {
 695     public:
 696         static Ptr<AsinhLayer> create(const LayerParams &params);
 697     };
 698
 699     class CV_EXPORTS AtanLayer : public ActivationLayer
 700     {
 701     public:
 702         static Ptr<AtanLayer> create(const LayerParams &params);
 703     };
 704
 705     class CV_EXPORTS AtanhLayer : public ActivationLayer
 706     {
 707     public:
 708         static Ptr<AtanhLayer> create(const LayerParams &params);
 709     };
 710
 711     class CV_EXPORTS CosLayer : public ActivationLayer
 712     {
 713     public:
 714         static Ptr<CosLayer> create(const LayerParams &params);
 715     };
 716
 717     class CV_EXPORTS CoshLayer : public ActivationLayer
 718     {
 719     public:
 720         static Ptr<CoshLayer> create(const LayerParams &params);
 721     };
 722
 723     class CV_EXPORTS ErfLayer : public ActivationLayer
 724     {
 725     public:
 726         static Ptr<ErfLayer> create(const LayerParams &params);
 727     };
 728
 729     class CV_EXPORTS HardSwishLayer : public ActivationLayer
 730     {
 731     public:
 732         static Ptr<HardSwishLayer> create(const LayerParams &params);
 733     };
 734
 735     class CV_EXPORTS SinLayer : public ActivationLayer
 736     {
 737     public:
 738         static Ptr<SinLayer> create(const LayerParams &params);
 739     };
 740
 741     class CV_EXPORTS SinhLayer : public ActivationLayer
 742     {
 743     public:
 744         static Ptr<SinhLayer> create(const LayerParams &params);
 745     };
 746
 747     class CV_EXPORTS SoftplusLayer : public ActivationLayer
 748     {
 749     public:
 750         static Ptr<SoftplusLayer> create(const LayerParams &params);
 751     };
 752
 753     class CV_EXPORTS SoftsignLayer : public ActivationLayer
 754     {
 755     public:
 756         static Ptr<SoftsignLayer> create(const LayerParams &params);
 757     };
 758
 759     class CV_EXPORTS TanLayer : public ActivationLayer
 760     {
 761     public:
 762         static Ptr<TanLayer> create(const LayerParams &params);
 763     };
 764
 765     class CV_EXPORTS CeluLayer : public ActivationLayer
 766     {
 767     public:
 768         float alpha;
 769
 770         static Ptr<CeluLayer> create(const LayerParams &params);
 771     };
 772
 773     class CV_EXPORTS HardSigmoidLayer : public ActivationLayer
 774     {
 775     public:
 776         float alpha;
 777         float beta;
 778
 779         static Ptr<HardSigmoidLayer> create(const LayerParams &params);
 780     };
 781
 782     class CV_EXPORTS SeluLayer : public ActivationLayer
 783     {
 784     public:
 785         float alpha;
 786         float gamma;
 787
 788         static Ptr<SeluLayer> create(const LayerParams &params);
 789     };
 790
 791     class CV_EXPORTS ThresholdedReluLayer : public ActivationLayer
 792     {
 793     public:
 794         float alpha;
 795
 796         static Ptr<ThresholdedReluLayer> create(const LayerParams &params);
 797     };
 798
 799     class CV_EXPORTS ActivationLayerInt8 : public ActivationLayer
 800     {
 801     public:
 802         static Ptr<ActivationLayerInt8> create(const LayerParams &params);
 803     };
 804
 805     class CV_EXPORTS SignLayer : public ActivationLayer
 806     {
 807     public:
 808         static Ptr<SignLayer> create(const LayerParams &params);
 809     };
 810
 811     class CV_EXPORTS ShrinkLayer : public ActivationLayer
 812     {
 813     public:
 814         float bias;
 815         float lambd;
 816         static Ptr<ShrinkLayer> create(const LayerParams &params);
 817     };
 818
 819     class CV_EXPORTS ReciprocalLayer : public ActivationLayer
 820     {
 821     public:
 822         static Ptr<ReciprocalLayer> create(const LayerParams &params);
 823     };
 824
 825     /* Layers used in semantic segmentation */
 826
 827     class CV_EXPORTS CropLayer : public Layer
 828     {
 829     public:
 830         static Ptr<Layer> create(const LayerParams &params);
 831     };
 832
 833     /** @brief Element wise operation on inputs
 834
 835     Extra optional parameters:
 836     - "operation" as string. Values are "sum" (default), "prod", "max", "div", "min"
 837     - "coeff" as float array. Specify weights of inputs for SUM operation
 838     - "output_channels_mode" as string. Values are "same" (default, all input must have the same layout), "input_0", "input_0_truncate", "max_input_channels"
 839     */
 840     class CV_EXPORTS EltwiseLayer : public Layer
 841     {
 842     public:
 843         static Ptr<EltwiseLayer> create(const LayerParams &params);
 844     };
 845
 846     class CV_EXPORTS EltwiseLayerInt8 : public Layer
 847     {
 848     public:
 849         static Ptr<EltwiseLayerInt8> create(const LayerParams &params);
 850     };
 851
 852     class CV_EXPORTS BatchNormLayer : public ActivationLayer
 853     {
 854     public:
 855         bool hasWeights, hasBias;
 856         float epsilon;
 857
 858         static Ptr<BatchNormLayer> create(const LayerParams &params);
 859     };
 860
 861     class CV_EXPORTS BatchNormLayerInt8 : public BatchNormLayer
 862     {
 863     public:
 864         float input_sc, output_sc;
 865         int input_zp, output_zp;
 866         static Ptr<BatchNormLayerInt8> create(const LayerParams &params);
 867     };
 868
 869     class CV_EXPORTS MaxUnpoolLayer : public Layer
 870     {
 871     public:
 872         Size poolKernel;
 873         Size poolPad;
 874         Size poolStride;
 875
 876         static Ptr<MaxUnpoolLayer> create(const LayerParams &params);
 877     };
 878
 879     class CV_EXPORTS ScaleLayer : public Layer
 880     {
 881     public:
 882         bool hasBias;
 883         int axis;
 884         String mode;
 885
 886         static Ptr<ScaleLayer> create(const LayerParams& params);
 887     };
 888
 889     class CV_EXPORTS ScaleLayerInt8 : public ScaleLayer
 890     {
 891     public:
 892         float output_sc;
 893         int output_zp;
 894         static Ptr<ScaleLayerInt8> create(const LayerParams &params);
 895     };
 896
 897     class CV_EXPORTS ShiftLayer : public Layer
 898     {
 899     public:
 900         static Ptr<Layer> create(const LayerParams& params);
 901     };
 902
 903     class CV_EXPORTS ShiftLayerInt8 : public Layer
 904     {
 905     public:
 906         static Ptr<Layer> create(const LayerParams& params);
 907     };
 908
 909     class CV_EXPORTS CompareLayer : public Layer
 910     {
 911     public:
 912         static Ptr<Layer> create(const LayerParams& params);
 913     };
 914
 915     class CV_EXPORTS DataAugmentationLayer : public Layer
 916     {
 917     public:
 918         static Ptr<DataAugmentationLayer> create(const LayerParams& params);
 919     };
 920
 921     class CV_EXPORTS CorrelationLayer : public Layer
 922     {
 923     public:
 924         static Ptr<CorrelationLayer> create(const LayerParams& params);
 925     };
 926
 927     class CV_EXPORTS AccumLayer : public Layer
 928     {
 929     public:
 930         static Ptr<AccumLayer> create(const LayerParams& params);
 931     };
 932
 933     class CV_EXPORTS FlowWarpLayer : public Layer
 934     {
 935     public:
 936         static Ptr<FlowWarpLayer> create(const LayerParams& params);
 937     };
 938
 939     class CV_EXPORTS PriorBoxLayer : public Layer
 940     {
 941     public:
 942         static Ptr<PriorBoxLayer> create(const LayerParams& params);
 943     };
 944
 945     class CV_EXPORTS ReorgLayer : public Layer
 946     {
 947     public:
 948         static Ptr<ReorgLayer> create(const LayerParams& params);
 949     };
 950
 951     class CV_EXPORTS RegionLayer : public Layer
 952     {
 953     public:
 954         float nmsThreshold;
 955
 956         static Ptr<RegionLayer> create(const LayerParams& params);
 957     };
 958
 959     /**
 960      * @brief Detection output layer.
 961      *
 962      * The layer size is: @f$ (1 \times 1 \times N \times 7) @f$
 963      *    where N is [keep_top_k] parameter multiplied by batch size. Each row is:
 964      *    [image_id, label, confidence, xmin, ymin, xmax, ymax]
 965      *    where image_id is the index of image input in the batch.
 966      */
 967     class CV_EXPORTS DetectionOutputLayer : public Layer
 968     {
 969     public:
 970         static Ptr<DetectionOutputLayer> create(const LayerParams& params);
 971     };
 972
 973     /**
 974      * @brief \f$ L_p \f$ - normalization layer.
 975      * @param p Normalization factor. The most common `p = 1` for \f$ L_1 \f$ -
 976      *          normalization or `p = 2` for \f$ L_2 \f$ - normalization or a custom one.
 977      * @param eps Parameter \f$ \epsilon \f$ to prevent a division by zero.
 978      * @param across_spatial If true, normalize an input across all non-batch dimensions.
 979      *                       Otherwise normalize an every channel separately.
 980      *
 981      * Across spatial:
 982      * @f[
 983      * norm = \sqrt[p]{\epsilon + \sum_{x, y, c} |src(x, y, c)|^p } \\
 984      * dst(x, y, c) = \frac{ src(x, y, c) }{norm}
 985      * @f]
 986      *
 987      * Channel wise normalization:
 988      * @f[
 989      * norm(c) = \sqrt[p]{\epsilon + \sum_{x, y} |src(x, y, c)|^p } \\
 990      * dst(x, y, c) = \frac{ src(x, y, c) }{norm(c)}
 991      * @f]
 992      *
 993      * Where `x, y` - spatial coordinates, `c` - channel.
 994      *
 995      * An every sample in the batch is normalized separately. Optionally,
 996      * output is scaled by the trained parameters.
 997      */
 998     class CV_EXPORTS NormalizeBBoxLayer : public Layer
 999     {
1000     public:
1001         float pnorm, epsilon;
1002         CV_DEPRECATED_EXTERNAL bool acrossSpatial;
1003
1004         static Ptr<NormalizeBBoxLayer> create(const LayerParams& params);
1005     };
1006
1007     /**
1008      * @brief Resize input 4-dimensional blob by nearest neighbor or bilinear strategy.
1009      *
1010      * Layer is used to support TensorFlow's resize_nearest_neighbor and resize_bilinear ops.
1011      */
1012     class CV_EXPORTS ResizeLayer : public Layer
1013     {
1014     public:
1015         static Ptr<ResizeLayer> create(const LayerParams& params);
1016     };
1017
1018     /**
1019      * @brief Bilinear resize layer from https://github.com/cdmh/deeplab-public-ver2
1020      *
1021      * It differs from @ref ResizeLayer in output shape and resize scales computations.
1022      */
1023     class CV_EXPORTS InterpLayer : public Layer
1024     {
1025     public:
1026         static Ptr<Layer> create(const LayerParams& params);
1027     };
1028
1029     class CV_EXPORTS ProposalLayer : public Layer
1030     {
1031     public:
1032         static Ptr<ProposalLayer> create(const LayerParams& params);
1033     };
1034
1035     class CV_EXPORTS CropAndResizeLayer : public Layer
1036     {
1037     public:
1038         static Ptr<Layer> create(const LayerParams& params);
1039     };
1040
1041     class CV_EXPORTS CumSumLayer : public Layer
1042     {
1043     public:
1044         int exclusive;
1045         int reverse;
1046
1047         static Ptr<CumSumLayer> create(const LayerParams& params);
1048     };
1049
1050 //! @}
1051 //! @}
1052 CV__DNN_INLINE_NS_END
1053 }
1054 }
1055 #endif