hanyanLWD

你好，我也有同样的困惑，如果我预测物体只有一个类（包裹，label=1），大多数图片只有一个gt，这个时候我用0来填充gt，但是这个填充的gt，他的label是什么呢，我认为应该是1，但是我的模型结果很差

> 嗯我明白您的意思。那请问您在训练过程中有没有遇到这种问题： > 由于可能训练集中绝大部分的点都只有一个gt，那么就会导致预测的两个Bbox，其中一个对应gt的置信度一直很高（>0.9），比如是Bbox0，而另一个Bbox1对应的置信度一直很低（ 或者说大部分的数据都是只有一个gt，而另一个需要对应0的，这就导致两个预测的head网络产生记忆，多轮训练之后固定其中一个Bbox0预测的置信度很高，另一个Bbox1预测置信度很低。也就是我认为由于两个gt重叠一个anchor的情况极少，没有得到充分训练，导致网络训练的结果倾向于只预测一个高置信度的边界框，比如Bbox0（或Bbox1）即可达到损失收敛。 > 我表达的不是很好，不知道您是否能清楚。总之这是我现在运用您的方法预测两个box遇到的困境，谢谢您啦！ 你好，我也有同样的困惑，如果我预测物体只有一个类（包裹，label=1），大多数图片只有一个gt，这个时候我用0来填充gt，但是这个填充的gt，他的label是什么呢，我认为应该是-1，相当于ignore掉，但是我的模型结果很差，map很低

> > > 我跑了他的代码 我的loss也有震荡的 因为他是每个GPU上的loss都print了一下 最后结果和readme差不多 或许跟你的batch size有什么关系？它最后的lr我记得是根据bs和卡数来算的 你看下能不能最后对上0.02的lr > > > ps 一直想问下作者，该实现和mmdet上faster rcnn的实现除了以下几点还有别的区别吗： > > > > > > * RPN是all level NMS > > > *...

@zehuichen123 谢谢，我把emd部分移植到了mmdet faster rcnn中，但是map的结果很差，但是loss正常下降，不知道是什么原因

@zehuichen123 在我的数据集中密集物体是比较少的，对于只有一个gt的图片，我是在gt中额外生成了一个gt=[0,0,0,0,-1]，就是说这个假的gt框是全零，label是-1 ，这样做法对吗