OHEM
演算法背景
作者提出了一種困難負樣本挖掘的方法，困難負樣本是指模型難以區分的負樣本，也就是容易將負樣本當成正樣本的那些樣本，例如，當roi中沒有目標，全是背景的時候，這時候分類器就很容易正確分類成背景，這就是“容易負樣本”，如果roi中有一半是目標，但是標簽仍然是背景，這個時候分類器就容易把它當作成正樣本，這就是困難負樣本，因此需要多找一些困難負樣本加入負樣本集，進行訓練，
OHEM
網路結構
OHEM的基準演算法是fast rcnn，目的就是對其進行一點改動就可以大幅度提高性能，網路結構如下所示
圖中除掉（b）模塊其余部分是fast rcnn的網路結構，（b）模塊是比fast rcnn多出來的一部分，對于fast rcnn這種two stage 的檢測模型，可以抽象成“推薦”和“分類回歸”兩個部分，OHEM的作用恰好是兩個部分的中間，
在推薦網路（fast rcnn用的是ss演算法，faster rcnn用的是rpn）之后，會有很多ROI傳到后邊的網路，這部分輸出是推薦網路鎖推薦的Region proposal，通常推薦網路會有數以千計的Region proposal傳輸到分類回歸網路，分類回歸網路會對這些proposal進行分類、坐標和尺寸回歸以及置信度打分，在訓練階段，可以通過這些引數與標注結果進行計算得出損失值，
演算法流程
OHEM則是利用的訓練階段產生的損失值，
OHEM的流程如下：
1、正常進行一次Faster RCNN的前向傳播，獲得每個Region proposal單獨的損失值，
2、對每個Region proposal進行NMS
3、對NMS剩下的Region proposal按照損失值進行排序，然后選取損失最大的前一部分Region當做輸入再次輸入分類回歸網路，這一步可以屏蔽loss非常低的Region proposal，也就是所謂的正樣本，對于訓練多次loss還較高的我們可以認為其是困難樣本，所謂的線上挖掘，就是先計算loss→篩選→得到困難負樣本
4、將困難樣本輸入圖中的（b）模塊，（b）模塊是（a）模塊的復制版，（b）模塊是用來反向傳播的部分，然后吧更新的引數共享到（a）部分，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/243544.html
標籤：其他
下一篇：Python爬蟲學習（一）