OHEM安装运行(Training Region-based Object Detectors with Online Hard Example Mining)

最新推荐文章于 2021-11-03 14:59:32 发布
最新推荐文章于 2021-11-03 14:59:32 发布
阅读量1.5k 收藏 3
点赞数 1
分类专栏： 深度学习 物体检测 caffe 文章标签： 物体检测 深度学习 OHEM
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/timeflyhigh/article/details/52678024
版权

OHEMgithub地址
https://github.com/abhi2610/ohem
结果可以重现的 论文结果 重现结果
Fast R-CNN (FRCN) VOC 07 trainval VOC 07 test 66.9 67.6
FRCN with OHEM VOC 07 trainval VOC 07 test 69.9 71.5
FRCN with OHEM VOC 07 trainval + 12 trainval VOC 07 test 74.6 75.5
最高结果，未复现 +M是多尺度，+B是bounding box regression
FRCN with OHEM, +M, +B VOC 07 trainval + 12 trainval VOC 07 test 78.9
一.软件要求
1.需要caffe和pycaffe支持
修改Makefile.config，WITH_PYTHON_LAYER := 1，USE_CUDNN := 1 可有可无
2.安装python包 cython, python-opencv, easydict, `yaaml’
3.代码中评价时用到了非官方的MATLAB版PASCAL VOC evaluation，代码中已经包含了。
二.正式安装
1.git clone –recursive https://github.com/abhi2610/ohem.git，之后成代码所在路径为OHEM_ROOT
2.编译Cython模块
cd OHEMROOT/libmake3.编译Caffeandpycaffecd OHEM_ROOT/caffe-fast-rcnn
make -j16 && make pycaffe
4.下载用OHEM算法在VGG16 and VGG_CNN_M_1024上训练的Fast R-CNN模型参数
cd $OHEM_ROOT
./data/scripts/fetch_fast_rcnn_ohem_models.sh
也可以直接从下面路径下载
http://graphics.cs.cmu.edu/projects/ohem/data/fast_rcnn_ohem_models.tgz
结果会存在$OHEM_ROOT/data/fast_rcnn_ohem_models文件夹中，形式类似fast_rcnn_ohem_models/TRAINING_SET/MODEL_FILE.

三.开始训练和测试模型
1.制作数据集
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar
tar xvf VOCtrainval_06-Nov-2007.tar
tar xvf VOCtest_06-Nov-2007.tar
tar xvf VOCdevkit_08-Jun-2007.tar
VOCdevkit/                           # development kitVOCdevkit/VOCcode/ # VOC utility code
VOCdevkit/VOC20072.创建PASCALVOC数据库的软连接cd OHEM_ROOT/data
ln -s VOCdevkitVOCdevkit2007四.下载ImageNet上预训练的模型cd OHEM_ROOT
./data/scripts/fetch_imagenet_models.sh
五.使用方法
用OHEM算法在voc_2007_trainval数据机上训练fast rcnn框架, 用下面的脚本 experiments/scripts/fast_rcnn_ohem.sh.
在experiments/scripts/目录下找耕读的脚本. 实验结果输出会写入在 OHEMROOT/output，命令：cd OHEM_ROOT
./experiments/scripts/fast_rcnn_ohem.sh [GPU_ID] [NET] [–set …]

NET in {VGG16, VGG_CNN_M_1024} is the network arch to use

–set … allows you to specify fast_rcnn.config options, e.g.

–set EXP_DIR seed_rng1701 RNG_SEED 1701

陈龙CL
关注
专栏目录
[文献阅读]Training Region-based Object Detectors with Online Hard Example Mining
DonatelloBZero的博客
08-02 1725
搜文章名能够搜出来几篇csdn上的文章，不过写得都比较简略，但是物理意义说得比较清楚。然后我这篇写得，也很简略。没放图没讨论具体的网络结构，只记录了自己比较在意的对一些细节的理解。 　　论文的主要特点在于online。 　　首先介绍了目标检测中，负例与正例的比例严重不平衡的问题，比如DPM中背景图和正例的比例达到了100000比1，而即便是比较新的算法该比例也达到了70：1。文章没有说正负
（OHEM）论文阅读笔记——Training Region-based Object Detectors with Online Hard Example Mining
weixin_43422466的博客
06-20 646
Training Region-based Object Detectors with Online Hard Example Mining论文阅读笔记2016 Abstract 目前标检测领域由于基于region的CNN的出现，取得了很大的进展。**但是它们的训练过程仍然包括了许多探索的方法（启发式）（heuristics）以及超参数，tune很耗时。**我们提出了一个简单然而非常有效的在线hard exanple mining（OHEM）算法来训练R-CNN。**我们受到的启发是：检测数据集中包含大量的
【论文笔记】(CVPR2016 Oral) Training Region-based Object Detectors with Online Hard Example Mining
elaine_bao的专栏
04-18 5197
基于Fast R-CNN框架做Online Boostrapping，在AlexNet和VGG Net的baseline上都提高了3个点左右。
目标检测-OHEM（online hard example mining）
lucifer_24的博客
05-28 811
OHEM：online hard example mining 论文地址：https://arxiv.org/abs/1604.03540 难例挖掘是指,针对模型训练过程中导致损失值很大的一些样本(即使模型很大概率分类错误的样本),重新训练它们. 维护一个错误分类样本池, 把每个batch训练数据中的出错率很大的样本放入该样本池中,当积累到一个batch以后,将这些样本放回网络重新训练. 样本不平...
Online Hard Example Mining (OHEM)简介
weixin_42108090的博客
09-03 249
[1] proposed to improve training of two-stage detectors by constructing minibatches using high-loss examples. Specifically, in OHEM each example is scored by its loss, non-maximum suppression (nms) is then applied, and a minibatch is constructed with the h
OHEM（Online Hard Example Mining ）算法
qq_32172681的博客
08-06 1270
OHEM算法提出于论文 Training Region-based Object Detectors with Online Hard Example Mining，链接：https://arxiv.org/abs/1604.03540。在hard example（损失较大的样本）反向传播时，可以减少运算量。 OHEM主要思想是，根据输入样本的损失进行筛选，筛选出hard example，表示对...
论文阅读-《Training Region-based Object Detectors with Online Hard Example Mining》
yj_isee的博客
03-19 5058
收录于CVPR2161.Abstract作者指出了region-based的分类器的训练过程当中有很多超参数需要调节，这样使得训练过程很复杂。因此他们提出了一种online hard example mining的方法，可以在训练的过程中自动选择那些hard example加入训练，这样使得训练更加有效和快速，同时能提升网络的性能。2.Introduction作者指出了object detectio
Training Region-based Object Detectors with Online Hard Example Mining - cvpr 2016 oral
热门推荐
_menglan_Zi
05-04 1万+
这是rgb大神的又一神作，cvpr 2016的oral paper，论文地址here。   先上图，如Figure2所示：   从图中可以看出，本文的亮点在于在每次迭代中，较少训练样本下，如何hard negative mining，来提升效果。   即针对Fast-RCNN框架，在每次minibatch（1张或者2张）训练时加入在线筛选hard region的策略，达到新的SoA。
论文笔记 | Training Region-based Object Detectors with Online Hard Example Mining
bea_tree的博客
07-07 3124
AuthorsAbhinav Shrivastava Abhinav Gupta Ross Girshick Abhinav Shrivastava 这篇文章很多人说不值得在cvpr oral，不过有ross Girshick，还是要看一看的。Abstract本文提出了online hard example mining(OHEM)，使用的是Bootstrapping技术，又一次说明了
matlab分时代码-ohem:OHEM对FastR-CNN的支持
05-21
matlab分时代码通过在线硬示例挖掘训练基于区域的对象检测器 作者Abhinav Shrivastava，Abhinav Gupta，Ross Girshick 介绍 在线硬示例挖掘（OHEM）是一种在线自举算法，用于训练基于区域的ConvNet对象检测器，例如。 OHEM 在随机梯度下降（SGD）范例中效果很好， 通过删除一些启发式和超参数来简化训练， 导致更好的收敛（降低训练集损失）， 始终使PASCAL VOC和MS COCO的mAP显着提高。 OHEM最初是在CVPR 2016上作为口头报告提出的。 有关更多详细信息，请参见。 执照 此代码根据MIT许可证发布（有关详细信息，请参阅LICENSE文件）。 引用 如果您发现这对您的研究有用，请考虑引用以下内容： @inproceedings{shrivastavaCVPR16ohem, Author = {Abhinav Shrivastava and Abhinav Gupta and Ross Girshick}, Title = {Training Region-based Object Detectors with On
深度学习之 OHEM （Online Hard Example Mining）
fenglepeng的博客
11-03 2920
论文 《Training Region-based Object Detectors with Online Hard Example Mining》 链接 https://arxiv.org/pdf/1604.03540.pdf Astract 摘要主要讲了四点： (1) 训练过程需要进行参数的空间搜索 (2) 简单样本与难分辨样本之间的类别不平衡是亟需解决的问题 (3) 自动地选择难分辨样本来进行训练不仅效率高而且性能好 (4) 提出了OHEM算法，不仅效率高而且性能好，在各种数据集上表现优越 .
目标检测--Training Region-based Object Detectors with Online Hard Example Mining
AI小作坊 的博客
03-13 960
Training Region-based Object Detectors with Online Hard Example Miningcode： https://github.com/abhi2610/ohem本文针对 Fast R-CNN 检测系统，从样本训练的策略提出改进方法。首先来看一下 Fast R-CNN 3 Overview of Fast R-CNNFRCN（Fast R-C
在线难例挖掘:Online Hard Example Mining (OHEM)
qq_22763299的博客
07-27 1889
详细链接：https://erogol.com/online-hard-example-mining-pytorch/ OHEM通过减少计算成本来选择难例，提高网络性能。它主要用于目标检测。假设你想训练一个汽车检测器，并且你有正样本图像(图像中有汽车)和负样本图像(图像中没有汽车)。现在你想训练你的网络。实际上，你会发现负样本数量会远远大于正样本数量，而且大量的负样本是比较简单的。因此，比较明智的做法是选择一部分对网络最有帮助的负样本(比较有难度的，容易被识别为正样本的)参与训练。难例挖掘就是用于选择对网
OHEM：Training Region-based Object Detectors with Online Hard Example Mining
张家坎的博客
02-07 471
论文：Training Region-based Object Detectors with Online Hard Example Mining official code - caffe：https://github.com/abhi2610/ohem 1. hard example 顾名思义，难例，即检测困难的正样本，与 easy example相对，一般指训练过程中误分的样本。 2. 核心...
Training Region-based Object Detectors with Online Hard Example Mining
ScarecrowLiu的博客
06-14 2731
本篇论文所做的主要贡献是针对Fast R-CNN框架，提出了一种在线筛选hard region的策略。   主要内容： 基于区域的Convnet目标检测有许多超参数如负样本与Groundtruth的IOU，正负样本的比例(fast r-cnn正负样本的比例是1:3)等，本论文中作者提出了在线困难样本挖掘方法OHEM(Online Hard Example Mining)；Fast R-C
OHEM笔记
lt1103725556的博客
06-14 796
完整名：Training Region-based Object Detectors with Online Hard Example Mining 中文：用在线的困难样例挖掘算法训练基于地区的目标检测器 摘要 主要说现有的目标检测算法开销大，而数据集中又分为大部分的简单样例和小部分的困难样例，如果能自动把困难样例筛选出来，那么算法会更加有效率，这就是OHEM的作用，同时OHEM也确实提高了各种数...
论文提要“Training Region-based Object Detectors with Online Hard Example Mining”
cv_family_z的博客
05-13 2636
基于区域的Convnet目标检测有许多超参数如负样本与groundtruth的IOU，正负样本比例等，作者提出了一个在线的困难负样本挖掘方法OHEM，自动筛选困难负样本可以提升训练的效率。挖掘负样本的技术即bootstrapping，就是通过迭代训练找虚警样本更新模型，使用更新的模型进一步找虚警样本，Felzenszwalb证实在DPM中通过bootstrapping SVM可以在整个数据集上找到最
OHEM算法的Caffe实现
AI之路
06-13 4269
这篇博文介绍如何用OHEM算法训练数据和测试数据。因为OHEM算法是对Fast RCNN的改造，所以Caffe代码的编译和Fast(er) RCNN基本类似。OHEM算法及Caffe代码的讲解可以参考另外一篇博客：OHEM算法及Caffe代码详解代码的github地址：https://github.com/abhi2610/ohem1、拉取项目git clone --recursive https:
改写这段文字This paper investigates a phenomenon where query- based object detectors mispredict at the last decoding stage while predicting correctly at an intermediate stage. We review the training process and attribute the overlooked phenomenon to two limitations: lack of training emphasis and cascading errors from decoding sequence. We design and present Selective Query Recollection (SQR), a simple and effective training strategy for query-based object detec- tors. It cumulatively collects intermediate queries as decod- ing stages go deeper and selectively forwards the queries to the downstream stages aside from the sequential struc- ture. Such-wise, SQR places training emphasis on later stages and allows later stages to work with intermediate queries from earlier stages directly. SQR can be easily plugged into various query-based object detectors and sig- nificantly enhances their performance while leaving the in- ference pipeline unchanged. As a result, we apply SQR on Adamixer, DAB-DETR, and Deformable-DETR across various settings (backbone, number of queries, schedule) and consistently brings 1.4 ∼ 2.8 AP improvement.
最新发布
03-08
本文研究了一种现象，即在预测中间阶段正确的情况下，在最后的解码阶段出现查询基础目标检测器误判的情况。我们回顾了训练过程，并将被忽视的现象归因于两个限制：缺乏训练重点和解码序列中的级联错误。我们设计并提出了选择性查询回收（SQR），这是一种简单而有效的查询基础目标检测器训练策略。随着解码阶段的加深，它累积收集中间查询，并选择性地将查询转发到下游阶段，除了顺序结构之外。因此，SQR将训练重点放在后期阶段，并允许后期阶段直接使用早期阶段的中间查询。SQR可以轻松地插入各种查询基础目标检测器，并显着提高它们的性能，同时保持推理管道不变。因此，我们在各种设置（骨干网络，查询数量，时间表）上将SQR应用于Adamixer，DAB-DETR和Deformable-DETR，并始终带来1.4〜2.8 AP的改进。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值