论文探讨了在Faster R-CNN中应用在线难例挖掘（OHEM）的方法，以替代传统的随机抽样策略。通过计算ROI损失并选择最高损失的样本，提高了模型的准确性，减少了人为启发式参数的影响。OHEM技术允许网络自我学习，提升了整体性能。
这篇论文主要就是在faster rcnn上加上了online hard example mining，论文还是比较容易理解的。
首先回顾一下，faster rcnn的mini batch 的生成过程。
在faster rcnn中mini batch设定为2张图片，每张图片生成128个roi，然后输入进入roi网络。
如下图（这是fast rcnn的图，faster rcnn中rpn和deep conv有段共享计算的过程）
很明显faster rcnn中rpn网络生成的roi远远多于128，所以这128是从rpn生成的所有roi中随机抽样（好草率。。）出来的。正负样本比例为1：3，其中正样本定义为iou > =0.5，负样本定义为 0.1<= iou < 0.5。
上述的定义的数值都是人为启发式的，所以严格上来说并不是那么'理智'。所以作者提出了难例挖掘这一改进。当然在机器学习学习中尤其是在svm中早就已经使用，又称为bootstrapping。
传统的难例挖掘流程
最低0.47元/天 解锁文章
扫一扫
8164
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
