论文流程理解 about recurrent-attention-cnn

[bluemandora]

@yuleichin 他代码反向传播的时候用了那个sigmoid函数的梯度，因为直接crop是不可导的。前向传播的时候就无所谓了，可以直接crop

[kekedan]

同学，不知道不实现没有，三个定位是用于当前batch的。
有个问题想想你请教下，在论文中Mask是为了用于求导，使用tensorflow相当于是自动求导的，感觉好像并不需要这个，不知道你是怎么实现的，能否交流下，谢谢。

[Ostnie]

最后我还是没有实现，不过确实你说的batch流程之前是搞错了。
你提到的mask是指哪一步？我可能没有注意到这是一个mask，我没有看过mask rcnn的内容，不知道你说的是否和那个mask一样

[yuleichin]

我有一个疑问，就是在使用sigmoid函数crop图像区域的时候，有的代码实现是根据预测的三个坐标的位置直接用[tx-tl:tx+tl,ty-tl:ty+tl]来点选原图像中的区域，然后再调用nn.resample函数来插值的。如果这样实现的话，为什么还需要论文中sigmoid函数相减确定crop区域呢？
就是说，这个crop操作是真的crop吗？如果是的话直接点选就好了？
如果只是把目标区域以外的点用boxcar function相乘都置为很小的值，然后直接根据目标区域的坐标来插值放大，那么网上的pytorch实现代码就有问题了。

[houkai]

@bluemandora soga! this's the key trick!

[Asichurter]

我的理解是，论文里面的sigmoid函数的x有个放大的系数k被设置得非常大，结果就是让sigmoid函数近似于阶梯函数，相当于使用soft attention的方式近似达到了hard attention的效果。M通过这个变式的sigmoid让框内的点的注意力系数接近1，而让框外的注意力系数接近0，这样的注意力作用于scale的输入图像上就产生了类似于crop的效果。

映射了注意力以后框外的位置都被映射为0，图像尺寸使用了双线性差值来恢复尺寸，估计要用到tx，ty和tl来恢复。

我没看懂的地方在于，step2里面说提取图像在VGG最后一层的激活值来确定初始的square，这里具体是怎么确定的？而且前面的哥们讨论的batch在论文里面也没有提到，所以模型到底是不是以batch为基础来训练的呢？

[HiIcy]

@Asichurter ,hey，哥们，我也对这里很迷，还有交替训练时，我是需要先每个尺度先预测遍，在融合fc的值，再预测遍？我现在还对这几个地方有点迷惑，能指点下吗?

[Asichurter]

@HiIcy 参照论文3.4的step3，应该是先固定住放大的APN网络（只是固定参数，但还是要前馈），用每个scale的分类损失优化VGG和fc。再固定住VGG和fc的参数，前馈一次，用rank loss来优化APN

[HiIcy]

@Asichurter 啊，不好意思！我大概理解，它是分开固定参数来优化，但论文里好像说的需要最后融合来预测，网上那个pytorch实现好像给那一行注释了，不知道你怎么看

[anzhang-fly]

我也很疑惑这一点，看的代码都是根据各个尺度做的预测结果，而原论文的意思是先把每个尺度做融合后再做预测。