对抗网络之目标检测应用：A-Fast-RCNN

对抗网络之目标检测应用：A-Fast-RCNN

       论文：A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection 【点击下载】

       Caffe代码：【Github】

一. 深度学习正确的打开方式

       深度学习的根基在于样本，大量的样本决定了深度网络的精确度和收敛性，针对样本的挖掘是深度学习的一个重要研究方向，这里我们先回顾两个概念 Easy Example 和 Hard Example ：

Easy Example：

       直观上来讲，太易于识别的样本对于训练来讲意义并不太大，有一部分就够了，因为太明显了嘛，傻子都认识；

Hard Example：

       比较难以区别的样本，比如目标在 变形、遮挡、逆光 等情况下的 Performance，别人不说你都不认识那种。

       样本挖掘 通常是找出样本中的 Hard Examples，用来提高网络对于目标的判别能力，讲到这里，可能大多数人都会 Refer 到经典的 OHEM －online hard example mining 。

       论文：Training Region-based Object Detectors with Online Hard Example Mining【点击下载】

       Caffe代码：【Github】

二. OHEM

       传统机器学习中训练 SVM 的时候，通过初始的分类器进行分类（检测）测试，得到的误报即称为 Hard Example，将其加入到训练样本中，重新训练分类器，这种方法称为 Bootstrap（自举）。

       OHEM 就是 BootStrap 方法在深度卷积网络中的应用。

       先来看网络架构图：