3.3、Channel-wise Decoding Module
四、Detect head and Training Targets
将经过编码–解码模块的输出送入两个FFN网络中，预测得到confidence和相对于输入的Proposal的box残差值。
训练过程中confidence的真值被设置为Proposals和对应的gt的3D IoU值。confidence真值计算公式如下：
t
=
(
1
,
(
0
,
I
o
U
−
α
B
α
F
−
α
B
)
)
c^{t}=min left(1, max left(0, frac{mathrm{IoU}-alpha_{B}}{alpha_{F}-alpha_{B}}right)right)
ct=min(1,max(0,αF−αBIoU−αB))
t
=
−
,
y
t
=
y
−
y
,
z
t
=
z
g
−
z
c
,
l
t
=
(
l
g
l
c
)
,
w
t
=
(
w
g
w
c
)
,
t
=
(
g
c
)
,
θ
t
=
θ
g
−
θ
c
,
begin{aligned} x^{t} & =frac{x^{g}-x^{c}}{d}, y^{t}=frac{y^{g}-y^{c}}{d}, z^{t}=frac{z^{g}-z^{c}}{h^{c}}, \ l^{t} & =log left(frac{l^{g}}{l^{c}}right), w^{t}=log left(frac{w^{g}}{w^{c}}right), h^{t}=log left(frac{h^{g}}{h^{c}}right), \ theta^{t} & =theta^{g}-theta^{c}, end{aligned}
xtltθt=dxg−xc,yt=dyg−yc,zt=hczg−zc,=log(lclg),wt=log(wcwg),ht=log(hchg),=θg−θc,
五、训练losses
CT3D是端到端的训练策略，包括三个损失，分别是RPN损失、confidence损失、box回归损失。
confidence损失用的是二元交叉墒计算。
回归损失使用的是Smooth-L1计算，只有
I
o
U
≥
α
R
IoU ≥ α_R
原文地址:https://blog.csdn.net/u014311125/article/details/134639868
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.7code.cn/show_16159.html
如若内容造成侵权/违法违规/事实不符，请联系代码007邮箱：suwngjj01@126.com进行投诉反馈，一经查实，立即删除！
