Machine learning 修改损耗函数更快的rcnn检测器

在我的论文中，我试图修改快速rcnn关于识别表结构的损失函数

目前我正在使用Facebooks Detectron。似乎工作得很好，但我现在正积极尝试修改损失函数。调试我的代码我注意到这是添加loss函数的地方：

调试器找不到mode.net.SmoothL1Loss或SoftmaxWithLoss的任何声明或实现。Detectron使用caffe，当我查看net_builder（初始化model.net）时，我看到它与caffe2进行“绑定”（不知道正确的单词），caffe2本身是一个pylib，后面有一个编译过的库

我是不是找错了地方来对这个loss函数做一个小的调整，还是我真的必须从dcaff开源，调整损失，重新编译lib

---

您好，

您应该自己实现丢失功能。修改库源代码并重新编译-这不是个好主意：）

您可以创建python函数，该函数将获取GT和预测数据并返回损失值

此外，您还可以创建当前使用的L1平滑或交叉熵的副本，然后在确保它们相同时，可以修改它们。或者，您也可以实现，例如，为Box实现L2 loss并使用它

有关自定义损失的更多信息，请参见caffee文档

def add_fast_rcnn_losses(model):
"""Add losses for RoI classification and bounding box regression."""
cls_prob, loss_cls = model.net.SoftmaxWithLoss(
    ['cls_score', 'labels_int32'], ['cls_prob', 'loss_cls'],
    scale=model.GetLossScale()
)
loss_bbox = model.net.SmoothL1Loss(
    [
        'bbox_pred', 'bbox_targets', 'bbox_inside_weights',
        'bbox_outside_weights'
    ],
    'loss_bbox',
    scale=model.GetLossScale()
)
loss_gradients = blob_utils.get_loss_gradients(model, [loss_cls, loss_bbox])
model.Accuracy(['cls_prob', 'labels_int32'], 'accuracy_cls')
model.AddLosses(['loss_cls', 'loss_bbox'])
model.AddMetrics('accuracy_cls')
return loss_gradients