本文探讨了在线hard example mining在目标检测中的作用，针对正负样本比例不平衡问题，指出传统bootstrapping在Fast RCNN中的不足。提出了一种适用于Fast RCNN的在线SGD算法，优化了负样本选择策略，通过处理高损失样本提高模型训练效率。算法通过调整IoU阈值，避免忽视重要背景样本，并保证正负样本比例动态平衡。
搜文章名能够搜出来几篇csdn上的文章，不过写得都比较简略，但是物理意义说得比较清楚。然后我这篇写得，也很简略。没放图没讨论具体的网络结构，只记录了自己比较在意的对一些细节的理解。
论文的主要特点在于online。
首先介绍了目标检测中，负例与正例的比例严重不平衡的问题，比如DPM中背景图和正例的比例达到了100000比1，而即便是比较新的算法该比例也达到了70：1。文章没有说正负例的数量不平衡会造成什么影响，不过在知乎上看到的一个回答是说，正负例数量差太多，会对SVM等算法的训练产生不好的影响，导致精度降低。
于是bootstrapping横空出世了，bootstrapping的核心想法是，逐渐增大负例集，而构成负例集的应该是那些被错分类的负样本。该方法需要在一段时间内固定model，获得新的hard examples，然后再用新的训练集更新model，如此迭代。于是，算法的流程就变成了：更新模型-->挖掘负例加入训练集-->更新模型-->挖掘负例加入训练接-->……如此往复。
然后作者吹了一下bootstrapping的应用广泛，从SVM到浅层模型再到RCNN、SPPNet等，然而话锋一转，指出了Fast RCNN及其变种没有用，为啥呢？因为对于CNN而言，固定模型去挖掘难例会导致模型训练速度变慢，也是这个原因，所以fast RCNN及其变种里面没有使用bootstrapping。
所以本文提出了一种在线的hard example mining算法，并且用在
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
