mousecpn
论文数据集疑问
您好，我看论文里面用到好几个数据集，有一张表说是泛化实验结果，但是不同数据集检测的目标类别都有所不同，例如UTDAC2020的数据集里面的标签和COCO的就不一样，跑COCO的时候是重新用COCO训练过吗？泛化不是直接用原本训练的模型在新数据集上推理预测，然后得到评估结果吗？
您好，我看论文里面用到好几个数据集，有一张表说是泛化实验结果，但是不同数据集检测的目标类别都有所不同，例如UTDAC2020的数据集里面的标签和COCO的就不一样，跑COCO的时候是重新用COCO训练过吗？泛化不是直接用原本训练的模型在新数据集上推理预测，然后得到评估结果吗？
重新训的。当然这里的泛化有两种意思，一种是zero-shot泛化，那种就很难，本文不涉及。另外一种是说这个方法在其他数据集上训练都能有很好的效果，而并不是针对特定数据集的优化，本文想表达的是这个意思
您好，我看论文里面用到好几个数据集，有一张表说是泛化实验结果，但是不同数据集检测的目标类别都有所不同，例如UTDAC2020的数据集里面的标签和COCO的就不一样，跑COCO的时候是重新用COCO训练过吗？泛化不是直接用原本训练的模型在新数据集上推理预测，然后得到评估结果吗？
重新训的。当然这里的泛化有两种意思，一种是zero-shot泛化，那种就很难，本文不涉及。另外一种是说这个方法在其他数据集上训练都能有很好的效果，而并不是针对特定数据集的优化，本文想表达的是这个意思
感谢您的回复，我当前做的工作参考并引用了您论文的工作内容，我们做的泛化是在一个数据集上训练并测试，在其他数据集上只进行推理测试，因为发现BoostingRCNN训练并测试的结果和您论文描述相一致，而在其他数据集上不训练只测试结果很低(mAP50大概是0.1，mAP50:95大概是0.07的样子)，我对此感到疑惑，进而怀疑自己的操作是否失误。
现在得到您的回复，我可以放心的在我的项目中进行说明了。再次感谢您的解惑！
您好，我还有一个问题想请教下您，请问Boosting R-CNN的参数量和计算量应该如何评估呢？ 我在论文中没有找到数据出处，我的设备是单GPU的，使用thop.profile方法计算模型的参数量和计算量时一直报错，没能找到合适的解决方案。 RuntimeError: module must have its parameters and buffers on device cuda:0 (device_ids[0]) but found one of them on device: cpu
您好，我还有一个问题想请教下您，请问Boosting R-CNN的参数量和计算量应该如何评估呢？ 我在论文中没有找到数据出处，我的设备是单GPU的，使用thop.profile方法计算模型的参数量和计算量时一直报错，没能找到合适的解决方案。 RuntimeError: module must have its parameters and buffers on device cuda:0 (device_ids[0]) but found one of them on device: cpu
我使用的是mmdet自带的参数量计算，你可以在tools/analysis_tools找到get_flops.py。你也可以直接抄我论文的数据，这个在不同设备上应该是一样的。
您好，我还有一个问题想请教下您，请问Boosting R-CNN的参数量和计算量应该如何评估呢？ 我在论文中没有找到数据出处，我的设备是单GPU的，使用thop.profile方法计算模型的参数量和计算量时一直报错，没能找到合适的解决方案。 RuntimeError: module must have its parameters and buffers on device cuda:0 (device_ids[0]) but found one of them on device: cpu
我使用的是mmdet自带的参数量计算，你可以在tools/analysis_tools找到get_flops.py。你也可以直接抄我论文的数据，这个在不同设备上应该是一样的。
太感谢了，我按照您提供的方法运行出来了