论文笔记OHEM（Online Hard Example Mining）
简介
来自2016年论文《Training Region-based Object Detectors with Online Hard Example Mining》。在线困难样本挖掘OHEM（Online Hard Example Mining）。如字面意思，OHEM加强了对困难样例的检测，提高了mAP。
Bootstrapping算法，指的就是利用有限的样本资料经由多次重复抽样，重新建立起足以代表母体样本分布的新样本。Bootstrapping现在经常叫做hard negative mining。作者把OHEM当作一个新颖的Bootstrapping技术。
物体检测一般有两种方法，一种是overfeat那样，采用sliding-window 检测方法；一种是像R-CNN，使用region proposal。OHEM是基于第二种，以Fast R-CNN为例，其他region 方法也可以用。
将OHEM应用于Fast R-CNN有下面3个好处：
- 去除了一些region-based 卷积网络中的启发式和超参数；
- 提升了mAP；
- 当训练数据变得更大、更困难，该方法更有效。
2.网络结构
原Fast R-CNN，结构如下。
下图是加了OHEM后的Fast R-CNN结构：包含两个RoI network，其中一个是只读的RoI network，一个是标准的RoI network。只读的RoI network仅为所有RoI的前向传输分派记忆，而另一个标准的RoI network为前向和后向传输都分配记忆。
在一个SGD迭代中，有了conv feature map后，只读的RoI network作用前向传输，计算所有输入RoI的损失(绿色箭头)，将这些RoI 损失排序，hard sampling 模块选择前B个表现较差的hard example（R_hard-sel），将其输入到标准的RoI network（红色箭头）。标准的RoI network仅对R_hard-sel计算前向、后向传输，累计梯度并让他们通过卷积网络。
3.花里胡哨技巧
- Multi-sacle：采用图片的多尺度进行训练、预测。
- 迭代bounding-box 回归：采用了两次迭代。
效果如下图，提高了mAP：
4.检测结果
下表的ours代表OHEM，可以看到采用OHEM的mAP效果很好。
论文笔记OHEM（Online Hard Example Mining）相关推荐
- 论文笔记 OHEM: Training Region-based Object Detectors with Online Hard Example Mining
CVPR2016的文章,CMU与rbg大神的合作.原谅我一直没有对这篇文章做一个笔记~~ 文章提出了一种通过online hard example mining(OHEM)算法训练基于区域的卷积检测算 ...
- Focal Loss 论文笔记
论文:<Focal Loss for Dense Object Detection> 论文地址:https://arxiv.org/abs/1708.02002 代码地址: 官方 gith ...
- 论文笔记目录（ver2.0）
1 时间序列 1.1 时间序列预测 论文名称 来源 主要内容 论文笔记:DCRNN (Diffusion Convolutional Recurrent Neural Network: Data-Dr ...
- 《区块链跨链技术进展研究》论文笔记
<区块链跨链技术进展研究>论文笔记 1 前言 2 区块链的跨链需求及技术难点 2.1 区块链跨链的研究目的 2.2 区块链跨链主流的解决方案 2.2.1 公证人机制 2.2.2 侧链/中继 ...
- 《Improved Crowd Counting Method Based onScale-Adaptive Convolutional Neural Network》论文笔记
<Improved Crowd Counting Method Based onScale-Adaptive Convolutional Neural Network>论文笔记 论文地址 ...
- 深度学习新的采样方式和损失函数--论文笔记
深度学习新的采样方式和损失函数--论文笔记 论文<Sampling matters in deep embedding learning> 论文地址:https://arxiv.org/p ...
- NLP论文笔记合集（持续更新）
NLP论文笔记合集(持续更新) 经典论文 参考文献 情感分析论文 关键词 综述 参考文献 非综述 参考文献 其他论文 参考文献 经典论文 2003年发表的文章1^11,NLP经典论文:NNLM 笔记 ...
- 【时序】应用于时间序列的 Transformer 综述论文笔记
论文名称:Transformers in Time Series: A Survey 论文下载:https://arxiv.org/abs/2202.07125 论文源码:https://github ...
- ORB-SLAM3 论文笔记
ORB-SLAM3 论文笔记 这篇博客 ORB-SLAM3系统 相机模型的抽象(Camera Model) 重定位的问题 图片矫正的问题 视觉惯性SLAM的工作原理 相关公式 IMU初始化 跟踪和建图 ...
最新文章
- vuecli3的svgicon_vue-cli3引入svg图标全过程以及遇到的坑
- WEBMIN管理Centos5.2 or RedHat5.2以上版本时samba用户不能同步系统帐户
- 【算法】一个简单的决策树（DT）原理
- 什么是ACID理论(二阶段、三阶段提交、TCC)
- 论图书营销中的“托”
- vscode创建代码截图_如何在VSCode中创建代码配置文件
- 同一台服务器上部署多个Tomcat的配置修改方法
- Excel从右向左查找
- 入门Sysmac Studio，白菜妹子是这样做的。
- chrome书签搜索
- windows--bat--通过bat批处理写入.reg文件在注册
- Sonic 开源移动端云真机测试平台 - 用例编写与回放流程实例演示，任务定时执行、图像相似度定位、公共步骤、公共参数、测试套件等
- Arcgis 地理配准步骤（底图校正）
- 各平均数介绍（算数平均数、几何平均数、加权算术平均数）
- 关于java中输出流flush()方法
- 【Roofline 推理速度】影响深度学习模型推理速度的因素及相关基础知识
- android简单录音机波形,android 录音机源码(带波形显示)
- ADO.NET是什么
- python 生成随机数据,随机中文,英文,数字,姓名等
- Linux sha-bang 是什么？ #!