fast-rcnn中针对multi-task loss的计算方法

在fast-rcnn中,整体的loss由两个部分构成,一是分类的loss,如果需要检测N个类,那么加上background,就是N+1个。二是bbox的regression loss。在训练的过程中,当一个proposal被判断为前景的时候,才会存在regression loss,否则只有分类的loss。
想请教一下大家,在caffe中是如何实现这种loss的计算的,如何切换不同的loss计算方式?
已邀请:

zeakey - please visit my homepage: zhaok.xyz

赞同来自: alex68

我觉得你应该是没有看代码或者没有人真的看代码吧.
 
这种multi-task的网络都是不同的taskfen分别算loss然后BPde , 没有所谓的"切换"这一说. 
 
建议你去看代码或者文章, 至少把网络jie结构弄清楚.

lgm_jw

赞同来自:

fast rcnn中multi task等于Loss1 lambda*Loss2。其中Loss1是分类误差,Loss2是定位误差。按理说应该是将这两种误差相加之后再进行后向传播的,本人也在代码里找相加的那句代码,确实没找到,prototxt最底层(loss)也是有两个,也没实现相加。其实,作者在论文里说了lambda一直等于1。
不同的taskfen分别算loss然后BPde

要回复问题请先登录注册