N个连续的卷积层

[fcjian]

N个连续的卷积层

[fcjian]

@Lkevin20 不同层的特征具有不同的感受野大小，从而提取不同尺度的信息。

[Lkevin20]

作者你好，请问这个空间概率图和空间特征图是如何学习得到的？如果没有TAL策略是不是这个TAP就没有效果？那么为什么说T型头是一个独立的模块，可以在没有TAL的情况下很好地工作？

[Lkevin20]

这个交互特征又是如何得到的呢？辛苦作者解答一下谢谢

[fcjian]

作者你好，请问这个空间概率图和空间特征图是如何学习得到的？如果没有TAL策略是不是这个TAP就没有效果？那么为什么说T型头是一个独立的模块，可以在没有TAL的情况下很好地工作？

1. 空间概率图的获取可以参考#13
2. 没有TAL策略，T-head/TAL也有一定的效果，具体可以参考论文Table 1的实验。而有了TAL策略，可以使得T-head/TAL更好地工作，取得更高的性能。

[fcjian]

这个交互特征又是如何得到的呢？辛苦作者解答一下谢谢

通过N层共享的卷积：

[Lkevin20]

但是论文中说道空间概率图和偏移图的学习是在TAL中实现的所以有点不理解，论文中原话为“where conv1 and conv3 are two 1×1 conv layers for dimen-
sion reduction. The learning of M and O is performed by using the proposed Task Alignment Learning (TAL) which will be described next.”

[fcjian]

但是论文中说道空间概率图和偏移图的学习是在TAL中实现的所以有点不理解，论文中原话为“where conv1 and conv3 are two 1×1 conv layers for dimen- sion reduction. The learning of M and O is performed by using the proposed Task Alignment Learning (TAL) which will be described next.”

没有TAL策略，模型也可以学习到对检测性能有一定提高的M和O，比如传统的检测器选择物体中心区域的anchor作为正样本，此时学习到的M和O能够提高物体中心区域anchor预测的分类和定位的精度。
而如果采用TAL策略，此时学习到的M和O能够提高aligned anchor预测的分类和定位的精度，进一步提高分类和定位的对齐。
因此，学习到怎样的M/O跟所采用的学习策略有关。在TOOD里，正是采用了TAL来学习更能提高分类和定位对齐的M和O。

[Lkevin20]

这个TAL的分配策略和损失函数是在M和O上执行的吗？在原本的分类(P)和回归(B)上有体现吗？