使用 Fasterrcnn 进行回归或仅在图像中找到边界框

【问题标题】：using Fasterrcnn for regression or for only finding the bounding box in an image使用 Fasterrcnn 进行回归或仅在图像中找到边界框
【发布时间】：2020-06-15 06:23:54
【问题描述】：

是否可以在 pytorch 中使用 FasterRcnn 来查找边界框而不考虑分类部分？是否可以将分类部分的损失（分类交叉熵）更改为回归损失（MSE）？

【问题讨论】：

您好，欢迎来到stackoverflow，感谢您的贡献。为了让您未来的回答者更容易为您提供帮助，请考虑提供有关您与该问题相关的试验和经验的更多详细信息。 stackoverflow.com/help/how-to-ask

标签： pytorch faster-rcnn

【解决方案1】：

对于您问题的第一部分，请查看演示中接收边界框的行。

https://github.com/jwyang/faster-rcnn.pytorch/blob/31ae20687b1b3486155809a57eeb376259a5f5d4/demo.py#L297

rois, cls_prob, bbox_pred, \
      rpn_loss_cls, rpn_loss_box, \
      RCNN_loss_cls, RCNN_loss_bbox, \
      rois_label = fasterRCNN(im_data, im_info, gt_boxes, num_boxes)

      scores = cls_prob.data
      boxes = rois.data[:, :, 1:5]

对于第二部分，是的，这是可能的。但是你必须确保回归损失适合你计划使用网络的任务。

【讨论】：