Image processing 为什么更快的rcnn端到端训练只会产生近似值?
在更快的rcnn()中 有两种方法可以训练网络 一种方法是联合训练rpn和fast rcnn 另一种方法是以端到端的方式训练rpn和fast rcnn 然而,作者表示,在端到端培训中,结果只是近似于联合培训 仅使用近似值的原因是 该解决方案忽略了导数w.r.t。提案箱坐标也是网络响应,因此是近似值 但是,根据网络定义(),rpn的边界框回归将在每次训练迭代中更新,因此不会忽略它 那么,为什么它忽略了坐标的导数呢?这是什么意思Image processing 为什么更快的rcnn端到端训练只会产生近似值?,image-processing,deep-learning,object-detection,Image Processing,Deep Learning,Object Detection,在更快的rcnn()中 有两种方法可以训练网络 一种方法是联合训练rpn和fast rcnn 另一种方法是以端到端的方式训练rpn和fast rcnn 然而,作者表示,在端到端培训中,结果只是近似于联合培训 仅使用近似值的原因是 该解决方案忽略了导数w.r.t。提案箱坐标也是网络响应,因此是近似值 但是,根据网络定义(),rpn的边界框回归将在每次训练迭代中更新,因此不会忽略它 那么,为什么它忽略了坐标的导数呢?这是什么意思