我的问题是关于Faster R-CNN的实施。
我读了这篇论文，正在浏览config.py文件，该文件是由算法的作者编写的，可在此处找到：https://github.com/rbgirshick/py-faster-rcnn/blob/master/lib/fast_rcnn/config.py
我完全无法理解为什么我们需要BBOX_INSIDE_WEIGHTS（在第84行提到）和RPN_POSITIVE_WEIGHT（在第124行提到）？
在其他一些实现中，我还看到了锚定掩码（第659行），锚定回归权重和锚定回归掩码，可在以下位置找到：https://github.com/DeepRNN/object_detection/blob/master/model.py
有人可以简单回答一下，这些参数是做什么用的，为什么我们真正需要它们呢？
最佳答案
在更快的RCNN中，您有一个RPN（区域提案网络），该模型是模型的一部分，并且已通过全网络进行了训练
RPN的作用是建议图像中被认为是物体的边界框。
对于图像中的每个位置，RPN尝试拟合k个预定义“锚”中的每一个，并为它们中的每一个给出4个参数，这些参数定义相对于锚的边界框建议，以及2个概率分数，用于对象位于边界框内。
如果框的纵横比和比例不同，则锚是预定义的集合。
如果我们查看359和360行中code处的代码，计算损失，我们会看到“锚定蒙版”用于定义具有真实回归锚点的图像区域。这是因为在Fast-RCNN的损失函数的定义中，我们仅计算正锚的回归损失。
如第362行所示，“ anchor_reg_masks”也是如此。
术语“ anchor_weights”用于标准化loos0项。在第359行之后，对于不在掩模中的位置，loss0具有零损耗，如果我们从中计算出损耗，我们将得到偏差结果。 “ anchor_weights”将loss0归一化，仅从真实锚点计算得出。
关于machine-learning - 使用更快的R-CNN进行目标检测，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/46237500/