请问一下Dense teacher提出的DPL是否其实只是针对预测的类别分支？

[joeyslv]

在图1中，有Dense Pseudo-label 和 Pseudo-box Label两个分支，分别计算了Ldpl损失和Lbox损失，所以Ldpl其实就是对应教师模型输出分类分支后的sigmoid所做的吗？整个模型还是用了NMS来生成伪框监督回归分支的损失计算？ 3.3 Dense Pseudo-Label Since the learning region is selected, unsupervised learning for regression branch can be easily achieved. 3.3中关于回归的分支的叙述较少，上面说由于选择了学习区域，因此回归分支的学习更容易实现，这个更容易实现指的是什么呢？ 希望作者能够解答一下 感谢

[ZRandomize]

图一只是一个我们方法和已有方法的比较，我们只使用了Ldpl这个loss 回归更容易实现是因为如果没有区域选择步骤，背景区域的teacher reg是没有意义的，使用这些信息学习会导致性能下降。而区域选择可以有效的筛选出reg有意义的部位

[joeyslv]

图一只是一个我们方法和已有方法的比较，我们只使用了Ldpl这个loss 回归更容易实现是因为如果没有区域选择步骤，背景区域的teacher reg是没有意义的，使用这些信息学习会导致性能下降。而区域选择可以有效的筛选出reg有意义的部位

好的，大概了解了，感谢