[论文笔记](OHEM)Training Region-based Object Detectors with Online Hard Example Mining

Training Region-based Object Detectors with Online Hard Example Mining

OHEM(Online Hard negative Example Mining,在线难例挖掘)

本文是Bootstrapping(自助采样)在深度网络中的应用。两阶段网络由于其多步的特性,在RCNN子网络的计算前会有对RoI的整理过程,早期工作中,Fast R-CNN利用随机上采样和下采样的方法来维持正负样本比例,而本文提出的方法则使得网络具有挑选“好的”正负样本的能力。

ohem

作者提出用R-CNN子网络对RoI Proposal预测的分数来决定每个batch选用的样本,这样,输入R-CNN子网络的RoI Proposal总为其表现不好的样本,提高了监督学习的效率。实际操作中,维护两个完全相同的R-CNN子网络,其中一个只进行前向传播来为RoI Proposal的选择提供指导,另一个则为正常的R-CNN,参与损失的计算并更新权重,并且将权重复制到前者以使两个分支权重同步。

OHEM以额外的R-CNN子网络的开销来改善RoI Proposal的质量,更有效地利用数据的监督信息,成为两阶段模型提升性能的常用部件之一。

Creative Commons License
本文章遵从署名-相同方式共享4.0国际协议(CC BY-SA 4.0)
这意味着您可以署名转载本文章,并附上此协议。
我每周会分享一些有趣实用的英文文章,欢迎关注ddlee每周分享
这里可以找到我推荐的服务、应用程序、书籍和电影。

本文链接:https://blog.ddlee.cn/posts/a1e87dc9/
分享文章:

小额捐助:

相关文章

[论文笔记]YOLO9000: Better, Faster, Stronger PyCharm+PipEnv本地Python开发环境配置

评论

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×