Faster RCNN近似端到端法详解

最新推荐文章于 2024-02-03 17:05:45 发布

mazinkaiser1991

最新推荐文章于 2024-02-03 17:05:45 发布

阅读量1.4k

点赞数 3

分类专栏：图像目标检测文章标签： Faster RCNN 端到端训练

本文链接：https://blog.csdn.net/u012927281/article/details/104730387

版权

3 篇文章 0 订阅

订阅专栏

有了交替训练法的基础，近似端到端的训练方法就非常好理解了。

相比于交替训练法，端到端训练主要有两点不一样：

1）网络结构：

RPN的输出个数：此处的输出个数不是指损失函数，而是指RPN的输出不仅送入AnchorTargetLayer层计算损失，还送入ProposalLayer生成RoI。在交替训练法中，RPN的训练网络到损失函数部分就已经结束了。但在端到端训练中，RPN的输出还送入ProposalLayer生成RoI，进行接下来的计算。
ProposalTargetLayer：这一层是在端到端训练中独有的层，其作用是从RoI中选择一部分sample用于训练Fast RCNN，并给定其对应的groundtruth。训练的batch_size是128，正样本占比是0.25，正样本阈值是0.5。（以上参数可以从config.py文件中查到）
由上一层的作用也可以得出一个不同，在交替训练中使用ProposalLayer产生的大约2000个候选框训练Fast RCNN，但在端到端训练中，仅使用128个候选框（正负样本都有）训练Fast RCNN。

2）损失函数：

与交替训练法所不同的是，端到端训练法将RPN loss与Fast RCNN loss相加，然后反向传播，更新参数。

最后墙裂推荐一下我参考的文章：https://zhuanlan.zhihu.com/p/32404424

非常细致，我的一些疑问就是从这篇文章中找到的答案。

关注