近似联合训练方法问题

我感到困惑，而且在任何研究过程中都无法给出答案。ROI 池化涉及不可微的操作，例如索引（将坐标（如 3.5）量化为整数（3））。但是为什么要分离提议？如果我们使用近似联合训练方法，并且不使用 detach() 来处理 RPN 输出，那么在反向传播过程中，梯度如何从检测器流入 RPN 和特征提取网络？我不明白这种不必要的提议分离是否会阻止梯度从 ROI 池化层流入 RPN 头和自动停止。另一方面，与 ROI 校准不同，ROI 池化的输出与坐标（提议）没有直接关系。 （实际上，我没有在数学上找到 ROI 输出与输入（仅坐标部分）之间的关系。）也就是说，ROI 池化输出与 {x1, y1, x2, y2} 之间的数学关系。因此，在没有 ROI 池化输出与坐标输入之间的关系时，分离提议是不必要的。我的意思是，如果 d(roi_pool_outputs)/d{x1, y1, x2, y2} 甚至不存在，为什么我们还要分离 {x1, y1, x2, y2} 以使其成为常数？