machine-learning - 修改损失函数更快的rcnn检测器

Question

在我的论文中，我试图修改 fast-rcnn 的损失函数来识别表结构。

目前我正在使用 Facebook 的 Detectron。看起来效果很好，但我现在正在积极尝试修改损失函数。调试我的代码我注意到这是添加损失函数的地方 fast_rcnn_heads.py:75 :

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

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(它初始化 model.net)时，我看到它“绑定(bind)”(不知道正确的词)到 caffe2，caffe2 本身是一个 pylib，后面有一个已编译的 lib。

我是否在错误的地方对这个损失函数进行了微小的调整，或者我真的必须从 dcaffe 打开源代码，调整损失，重新编译 lib？

问候，

Answer 1

你应该自己实现损失函数。修改库源代码并重新编译它 - 这不是一个好主意:)

您可以创建Python函数，它将获取GT和预测数据并返回损失值。

您还可以创建当前使用的 L1-smooth 或交叉熵的副本，然后，当您确定它们相同时，您可以修改它们。或者，您可以实现例如盒子的 L2 损失并使用它。

有关自定义损失的更多信息，您可以在咖啡文档中找到。