使用 Fasterrcnn 进行回归或仅查找图像中的边界框
using Fasterrcnn for regression or for only finding the bounding box in an image
是否可以在pytorch中使用FasterRcnn来寻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）？
对于问题的第一部分，请查看演示中接收边界框的行。
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。
是否可以在pytorch中使用FasterRcnn来寻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）？
对于问题的第一部分，请查看演示中接收边界框的行。
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。