【论文笔记】(CVPR2016 Oral) Training Region-based Object Detectors with Online Hard Example Mining
来源:互联网 发布:山东省移动公司网络部 编辑:程序博客网 时间:2024/04/29 17:23
转载自:http://zhangliliang.com/2016/04/13/paper-note-ohem/
Training Region-based Object Detectors with Online Hard Example Mining是CMU实验室和rbg大神合作的paper,cvpr16的oral,来源见这里:http://arxiv.org/pdf/1604.03540.pdf
其实文章的idea很简单,是将bootstrapping做成online的形式嵌入到Fast R-CNN的detection的pipeline里面,其实有点类似将SGD回传的时候,对样本进行一个重新选择(选择困难样本或者对困难样本赋予更高的权重)。
在正文开始之前,容我碎碎念一小段,读者可以跳过这一段。其实online boostrapping跟CNN结合的尝试也是蛮多的。比如将FCN跟boostrapping结合做detection的工作有DenseBox,SSD。但都是作为一个trick存在的,只写了一个小节。估计作者也是觉得很难用boostrapping作为核心idea来发paper吧。但这篇敢用bootstrapping作为核心idea并且还中了oral,自然也是有其高明之处。其中最重要的点可能会是,它把bootrapping这个trick做work了,而且是在VOC和COCO上做work,并且能够提高3个点,就显得比较solid了。相对来说,可能DenseBox和SSD相对来说没有做得很work,所以就没有那么confident了。那为何这篇文章就能够把bootrapping做solid呢?很可能是作者确实思考得比较深,用了一些别人没想到的细节(比如对困难样本做nms再选择)。将一个idea做work做solid,是一个难能可贵的能力。
回归正文,文章的核心idea是将bootstrapping,或者说是hard sample mining,直接integrate到SGD算法里面去,并且将这个修改的SGD算法叫Online Hard Example Mining(OHEM)。如下图所示,对于OHEM的一个iter,是这样做的。首先整张图片前传得到conv的featmap,然后将全图的所有的N(对于selective search算法来说,一般N=2000)个proposal都用roi pooling来提特征并且前传到fc中得到每个proposal的loss。显然,loss越大,代表这个proposal对于目前的分类器来说是hard sample,将B(比如B=128)个hard sample收集起来,并且将这些样本的loss求导成diff回传回去,来更新网络。
核心idea就是这样,另外作者提到需要注意的一点是,bbox交叠的propsoal往往比较相似,所以在选择hard sample的时候,sample与sample之间不宜IoU过大,所以作者做了一个IoU为0.7的nms。
- 【论文笔记】(CVPR2016 Oral) Training Region-based Object Detectors with Online Hard Example Mining
- Training Region-based Object Detectors with Online Hard Example Mining(CVPR2016 Oral)
- 论文笔记 | Training Region-based Object Detectors with Online Hard Example Mining
- 论文笔记 OHEM: Training Region-based Object Detectors with Online Hard Example Mining
- 论文笔记:Training Region-based Object Detectors with Online Hard Example Mining
- Training Region-based Object Detectors with Online Hard Example Mining - cvpr 2016 oral
- OHEM-Training Region-based Object Detectors with Online Hard Example Mining - cvpr 2016 oral
- Training Region-based Object Detectors with Online Hard Example Mining - cvpr 2016 oral
- Training Region-based Object Detectors with Online Hard Example Mining
- Training Region-based Object Detectors with Online Hard Example Mining
- Training Region-based Object Detectors with Online Hard Example Mining
- 论文提要“Training Region-based Object Detectors with Online Hard Example Mining”
- 论文阅读-《Training Region-based Object Detectors with Online Hard Example Mining》
- [文献阅读]Training Region-based Object Detectors with Online Hard Example Mining
- OHEM安装运行(Training Region-based Object Detectors with Online Hard Example Mining)
- 目标检测--Training Region-based Object Detectors with Online Hard Example Mining
- Training Region-based Object Detectors with On line Hard Example Mining阅读笔记
- 论文笔记--FaceNet & Online Hard Example Mining
- 第三章 Managing Mem With Arc 笔记
- C++线程 基础教程
- VideoView播放视频
- 一个点击 图片选中,改变图片样式, 传数据到后台的一个例子
- 看看数据科学家们都在用什么:Github上的十大深度学习项目
- 【论文笔记】(CVPR2016 Oral) Training Region-based Object Detectors with Online Hard Example Mining
- C语言中的隐式转换
- iOS非CocoPods集成七牛播放SDK PLPlayerKit 使用指南
- Linux学习笔记<读Linux就是这个范>
- 三,细说 HTML5 之 新增的主题结构元素
- 对象文件已过期,必须转换为当前版本
- linux命令
- 乐乐语音挑战苹果siri,你赌谁赢?
- 面向对象在javascript中的三大特征之继承