Tianhao-Qi

非常抱歉，最近事情繁多，没能及时回复，以下是我的一些个人理解： 1. 我们提出的FCBL损失与Balanced Group Softmax还是不太一样的，后者需要根据数据集先验信息手动对类别分组，而我们的方法则是根据训练过程中动态更新的混淆矩阵对学习状态不同的类别进行调整。在实验中我们发现sigmoid交叉熵损失对large vocabulary任务都优势，所以损失计算是用的sigmoid，至于update_cm中出现的softmax函数，完全是为更新混淆矩阵使用的，可参考论文中的Table II的confusion matrix的计算公式 2. 我觉得思路（1）可能更合理一些，我发现对背景类别也进行均衡操作后，会引入很多的假阳样本，严重影响检测精度，所以我整个FCBL损失也是只应用到了前景样本的前景类别上。 3. 对于anchor-free的单阶段检测器，他们直接通过回归得到分类结果，FHM模块是不能直接迁移的，需要进行改写；以yolo为例，因为图片被分成了7*7的网格，每个网格回归两个bounding box，可以根据label和gt_box找出尾部类别样本所在图像的网格，增加对应网格回归出来的bounding box数量。

从工程部署的角度来说完全可以，但是如果要写paper和别人比较的话，这样会不公平，你可以按照自己的需求来选择

这个是环境问题，可以尝试用我自己创建好的docker image： [qth356/mmdet_v2.8.0_cuda11.0:latest](https://hub.docker.com/repository/docker/qth356/mmdet_v2.8.0_cuda11.0/general)

> 非常感谢您的回复，我已经把模型finetune完毕了，请问finetune的时候没有loss的输出这个现象是正常的么。 log文件里面也没有吗，我之前没遇到过，都会打印loss的

本仓库代码中FCBL传入的cls_score是(B,C)维的，这里面C是指前景类+背景类，label是(B)维的，如果您想用到yolov6，就把框数A维度reshape到批量大小B维度就行了，即cls_score->(BA,C)，label->(BA)

就写前景类别数，因为FCBL里面会自动+1

如果你是先分前背景，然后再用FCBL细分前景类别，在训练充分的时候是不会影响的，但是最好把背景类预测去掉

> FCBL 是否就是loss_cls : type == BCE ? 对，就是在BCE的基础上修改得到的

> > 如果你是先分前背景，然后再用FCBL细分前景类别，在训练充分的时候是不会影响的，但是最好把背景类预测去掉 > > 不好意思，还是不太明白。 我的cls_score只有80类前景的预测得分，打算利用FCBL细分前景，但你的函数输入cls_score维度C要求是前景加背景也就是81类，应该怎么处理我的输入呢？或者应该怎么修改FCBL函数呢？ 那需要重写一下FCBL函数，把函数中间专门针对背景类处理的相关逻辑都去掉，只对前景进行类别校正就可以，具体的代码你可以自己实现出来贴在这里，我在空闲时可以帮你检查一下

> 你好，重写FCBL这块还是不太明白应该怎么重写，总是报错，不知道您方不方便写一写呢？谢谢！ 不好意思，之前在忙cvpr投稿的事情，麻烦你分享一下自己的代码，我看看能不能帮助到你 @QiqLiang