The regression head det-reg is trai

The regression head det-reg is trained only one seedbounding box annotations B0, too, so that it is not affectedby the inaccurate box coordinates in Bt.Filtering background proposal loss. Given that falsenegative is extremely hard to eliminate in mined boundingboxes, the losses of “background” proposals in det-cls-a arenot used in loss to remove the effect of false negatives.Specifically, if an image i is from mined box annotationset Bt, then we mask the losses from the proposals thatbelong to “background” category (typical implementationuses index 0 for background); if the image is from seed box

結果 (繁體中文) 1:

回歸頭DET-REG訓練只有一個種子
邊界框註釋B0，也因此它不會影響
在轉Bt基因不準確的箱子坐標。
過濾背景提案損失。由於假
陰性是極其困難的開採邊界消除
箱，在DET-CLS的“背景”建議的損失
損失不用於去除假陰性的效果。
具體地，如果圖像i是從開採框註釋
設定的Bt，那麼我們屏蔽從該提案的損失
屬於“背景”類別（典型的實現中
使用指數0作為背景）; 如果圖像是從種子箱

結果 (繁體中文) 2:

回歸頭培養只訓練一個種子
邊界框注釋 B0，以便它不受影響
由 Bt 中的不准確框座標。
篩選後臺建議丟失。鑒於，假
負極難以在雷除界中消除
框，"背景"提案的損失在det-cls-a
不在損耗中用於消除假陰性的影響。
具體來說，如果圖像 i 來自挖掘框注釋
設置Bt，然後我們掩蓋從建議的損失，
屬於"背景"類別（典型實現
使用索引 0 作為背景）;如果圖像來自種子盒

結果 (繁體中文) 3:

回歸頭det reg僅訓練一個種子
邊界框注釋B0也不受影響
由Bt中不精確的盒子座標。
篩選後臺建議遺失。假設是假的
開採境界中極難消除負性
方框，det-cls-a中“背景”提案的損失是
不用於消除假陰性的影響。
特別是，如果影像i來自mined box注釋
設定Bt，然後我們從以下建議中掩蓋損失
屬於“背景”類別（典型實現
使用索引0作為背景）；如果影像來自種子盒