Training Region-based Object Detectors with Online Hard Example Mining 论文笔记

background

任务：在目标检测领域提出新的训练方式，提高准确率
关键词：Hard Example Mining
​

Introduction

之前的目标检测模型很少从训练方式上做出更改，但是实际上，传统的训练方式是十分低效的，目前实验发现，hard example更利于模型的训练，所以，作者的主要想法是训练过程中，更加注重对hard example的选取，然后用选取的hard example对模型进行训练，提升性能。
​

传统的训练方式需要平衡前景和背景的比例，需要许多超参数，但是作者的训练方式去除了部分超参，使得模型学习能力更强。
​

本文的训练的检测模型使用的faster-rcnn，更改faster-rcnn的训练方式，提高准确率
​

Model

整体结构

基本思路和细节

还是faster-rcnn的训练过程，不过到提案网络处，不在对roi进行筛选，而是将提案区域均用于目标检测，对每个提案的损失值进行排序，选择损失值较高的，将筛选出来的roi，再做一次nms（阈值0.7），得到最后的提案，在返回到提案网络处，进行训练。
​

Experiments

Learn from paper

通过选择hard example，提高模型对细节的分析能力