关于论文（v3）的一些不解

[ResonWang]

非常感谢作者的贡献，还没有研究代码，先在看论文，遇到一些困惑，希望作者大佬能帮忙解答一下： （1）objectness score是啥呢？文中有强调“Specifically, Dense Detector obtains objectness score by calculating the Complete Intersection over Union(CIoU) [38] between the predicted and GT boxes.” 但对于伪标签来说，它们没有GT，要怎么计算该值？还是说objectness score是teacher model head中的object classification分支的预测值呢？该值是否就是文中的^obj？ （2）^Yobj(h,w) 提到是来自PLA的，具体是怎么来的呢，主要是这个和 ^obj有啥区别？ （3）文中重点讲了PLA中的loss计算，其具体是怎么根据伪标签分配正负样本的呢，即^Ycls, ^Yreg, ^Yobj具体咋分配得到的？ （4）公式（7）是在特征图的每个位置上计算domain adaptation loss的，一张图上每个位置的gt都是一样的吗，就是D(1或者0)吗 （5）公式（9）(10)的左边和类别c有关系吗，因为右边应该是和类别相关的表达吧？ 还请作者大佬解惑

[Bobo-y]

@ResonWang 我最近也在自己的项目里面复现这个，目前对我来说还没有正提升，我回答一点我的理解吧

1. 伪标签的 objectness score,像yolov5 这种结构，它会输出obj, class 两个概率，在各个实现中obj 赋值可能不一样，有的是预测有没有物体，有就是1，无就是0，有的版本是预测IOU。对于伪标签来说，直接使用预测值
2. 它就是网络的输出，作为软标签计算loss,
3. 正负样本分配：a. 伪标签score（objectness * class ）大于0.6 的计算分类、回归、obj 三个loss. b. 伪标签score 小于0.1 的当作负样本，计算 obj loss. c. 伪标签score位于二者之间的，如果 clas score >0.99, 使用teacher 输出的 obj 做软标签计算loss, 如果 obj score > 0.99, 计算回归损失。 或者最简单的两者之间的直接ignore

其实不用太关注论文，看代码就行，论文里面不少实现里都注释掉了

[BowieHsu]

@Bobo-y 您的回答是对的，您现在是在自己的数据集上试了没有效果吗

[Bobo-y]

@BowieHsu 我在自己的框架下训了，目前都是准确率微微下降。自动驾驶场景，带标数据百万量级的。也有可能我实现的问题