【发布时间】：2018-05-01 07:07:05
【问题描述】：
在更快的 rcnn (https://arxiv.org/abs/1506.01497) 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。
另一种方式是以端到端的方式同时训练rpn和fast rcnn。
但是，作者说在端到端训练中，结果只是对联合训练的近似。
只做近似的原因是
这个解决方案忽略了 w.r.t 的导数。提议框的坐标也是网络响应，所以是近似的。
但是，从网络定义 (https://github.com/rbgirshick/py-faster-rcnn/blob/master/models/pascal_voc/VGG16/faster_rcnn_end2end/train.prototxt) 来看，rpn 的边界框回归在每次训练迭代中都会更新，因此不会被忽略。
那么，为什么它忽略了提案框坐标的导数？那是什么意思？
【问题讨论】：
-
这点我也很好奇，你找到解决办法了吗？
标签： image-processing deep-learning object-detection