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