CVPR2016的文章，CMU與rbg大神的合作。原諒我一直沒有對這篇文章做一個筆記~~

文章提出了一種通過online hard example mining（OHEM）算法訓練基于區域的卷積檢測算子的高效目標檢測算法，能夠對簡單樣本和一些小數量樣本進行抑制，使得訓練過程更加高效。該方法利用顯著的bootstrapping技術（SVM中被普遍利用），對SGD算法進行一定的修改，使得原有的region-based ConvNets的啟發式學習和多參數可以被移除，并得到較準確穩定的檢測結果。在PASCAL VOC2007和2012中的mAP分別為：78.9%，76.3%。https://github.com/abhi2610/ohem

Hard example mining：

主要有2種參見Hard example mining算法，優化SVM時候的算法和非SVM時的利用。

在優化SVM中使用Hard example mining時，訓練算法主要維持訓練SVM和在工作集上收斂的平衡迭代過程，同時在更新過程中去除一些工作集中樣本并添加其他特殊的標準。這里的標準即去掉一些很容易區分的樣本類，并添加一些用現有的模型不能判斷的樣本類，進行新的訓練。工作集為整個訓練集中的一小部分數據。

非SVM中使用時，該Hard example mining算法開始于正樣本數據集和隨機的負樣本數據集，機器學習模型在這些數據集中進行訓練使其達到該數據集上收斂，并將其應用到其他未訓練的負樣本集中，將判斷錯誤的負樣本數據（false positives）加入訓練集，重新對模型進行訓練。這種過程通常只迭代一次，并不獲得大量的再訓練收斂過程。

網絡結構框架：

OHEM算法基于Fast R-CNN算法進行改進，作者認為Fast R-CNN算法中創造mini-batch用來進行SGD算法，并不具有高效和最優的狀態，而OHEM可以取得lower training loss，和higher mAP。對比下圖兩種算法Fast R-CNN和OHEM結構：

對比可以發現，文章提出的OHEM算法里，對于給定圖像，經過selective search RoIs，同樣計算出卷積特征圖。但是在綠色部分的（a）中，一個只讀的RoI網絡對特征圖和所有RoI進行前向傳播，然后Hard RoI module利用這些RoI的loss選擇B個樣本。在紅色部分（b）中，這些選擇出的樣本（hard examples）進入RoI網絡，進一步進行前向和后向傳播。

實驗結果：

實驗得到了很好的實驗結果，這里僅附mAP結果：

總結

以上是生活随笔為你收集整理的论文笔记 OHEM: Training Region-based Object Detectors with Online Hard Example Mining的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。