关于 reg loss

[CrossEntropy]

Hi fire717，感谢无私的分享。我看你在 dataset 中对 reg 不仅仅是在当前中心赋值，也在周围赋值，据你所说是为了加快收敛。但是在实际的 reg loss中，你只是用的当前中心的值，这是为什么呢?

代码如下:

 def regsLoss(self, pred, target, cx0, cy0,  kps_mask, batch_size, num_joints):
     #[64, 14, 48, 48]
     _dim0 = torch.arange(0,batch_size).long()
     _dim1 = torch.zeros(batch_size).long()
     loss = 0
     for idx in range(num_joints):
        gt_x = target[_dim0,_dim1+idx*2,cy0,cx0]
        gt_y = target[_dim0,_dim1+idx*2+1,cy0,cx0]
            
        pre_x = pred[_dim0,_dim1+idx*2,cy0,cx0]
        pre_y = pred[_dim0,_dim1+idx*2+1,cy0,cx0]

        loss+=self.l1(gt_x,pre_x,kps_mask[:,idx])
        loss+=self.l1(gt_y,pre_y,kps_mask[:,idx])
     return loss / num_joints

[fire717]

这是体现在制作reg标签的heatmap的地方的，取值的时候只能取一个值。 参考https://github.com/fire717/movenet.pytorch/issues/12 ： https://github.com/fire717/movenet.pytorch/blob/bbc81408bd4da49789d912fd08635355fe123e60/lib/data/data_tools.py#L123-L136

[CrossEntropy]

这段数据集制作代码我看到了。在计算损失的时候，由于 cx 和 cy 是固定的，周围那一圈赋值的数据其实没有用到。我的理解没问题吧。

[fire717]

在训练的时候 你根据center取到的值不一定就是你标记的那一点的值，可能就是落在周围一圈，如果不对周围一圈赋值那么就取到0了，赋值了可以保证取到周围一圈也能继续训练。