Deep learning 更快的RCNN bbox/图像标准化

我正在自定义数据集上使用py Quicker rcnn，大约3000幅图像，7个不同的类，包括背景，并遵循以下教程：

快速RCNN教程 快速RCNN教程

我在VGG16网络中使用end2end解决方案。 一切正常，期待我的结果，所以我有一些问题：

图像和bbox注释需要哪种规格化？ 这与前面的问题类似：有两个配置选项：BBOX\u NORMALIZE\u TARGETS和BBOX\u NORMALIZE\u TARGETS\u PRECOMPUTED。我是否应该在培训前计算平均值和标准差，并使用这些选项进行bbox标准化？ 我根据以下线程修改了cls_score和bbox_pred层的num_输出：，但在end2end解决方案中也有rpn_cls_score和rpn_bbox_pred层。我是否也应该修改这些的num_输出？如果我应该，那么我如何计算7个类的输出数量？

---

不，您不需要预先计算任何内容。在lib/roi\u data\u layer/roidb.py中，如果您将BBOX\u NORMALIZE\u TARGETS\u PRECOMPUTED设置为False，它将计算数据集的平均值和标准偏差，否则，它将使用lib/fast\u rcnn/config.py中指定的默认值。RPN与类的数量无关。它只将包含任何对象的区域视为正，其他所有区域视为负。

谢谢您的帮助！我试图将BBOX_NORMALIZE_TARGETS_PRECOMPUTED设置为false，但它导致了一个断言错误：File/home/spirit/py faster rcnn/tools//lib/fast_rcnn/train.py，第35行，在init assert cfg.train.BBOX_NORMALIZE_TARGETS_PRECOMPUTED assertioneror中，我查看了代码，在断言发生且有注释的地方：RPN只能使用预计算的规范化，因为没有固定的统计信息来计算优先级。我认为您将BBOX_NORMALIZE_目标设置为False，这应该是true。无论如何，RPN不需要这些东西，只有当你有其他算法的区域建议时才需要，比如选择性搜索。即使您注释掉所有的规范化代码，它也会起作用。更快rcnn的所有规范化都在生成锚、锚、目标层（用于训练RPN）和建议层（用于训练检测器）内完成。这些文件在RPN文件夹中。我想RPN的STD和means指定了建议框的先前统计信息？然后，根据特定的数据集初始化这些值没有多大意义。我发现这部分BBOX_NORMALIZE_STDS和BBOX_NORMALIZE_MEANS在原始文件中没有提到。为什么它有用？