OHEM在线难样例挖掘的两个细节

代码上如何实现Read-only Layer与R _hard-sel权限共享？
https://github.com/abhi2610/ohem/blob/master/models/pascal_voc/VGG_CNN_M_1024/fast_rcnn_ohem/train.prototxt
下面代码对应（a）,前向传播过程

## Readonly RoI Network 
layer {
  name: "roi_pool5_readonly"
  type: "ROIPooling"
  bottom: "conv5"
  bottom: "rois"
  top: "pool5_readonly"
  propagate_down: false
  propagate_down: false
  roi_pooling_param {
    pooled_w: 6
    pooled_h: 6
    spatial_scale: 0.0625 # 1/16
  }
}

其中：propagate_down设置为false,可实现forward inference

下面代码对应（b）,前向和反向传播过程

layer {
  name: "roi_pool5"
  type: "ROIPooling"
  bottom: "conv5"
  bottom: "rois_hard"
  top: "pool5"
  propagate_down: true
  propagate_down: false
  roi_pooling_param {
    pooled_w: 6
    pooled_h: 6
    spatial_scale: 0.0625 # 1/16
  }
}

其中：propagate_down设置为True,可实现前向和后向传播，减小难样例的损失，同时可以调整卷积层的参数

为什么要hard mining？

• 1 减少fg和bg的ratio，而且不需要人为设计这个ratio；
• 2 加速收敛，减少显存需要这些硬件的条件依赖，原因是直接训练难样例，使损失最大的函数对应的样例经过训练后loss 直接减小；
• 3 hard-mining已经证实了是一种booststrapping的方式， 尤其当数据集较大而且较难的时候；
• 4 eliminates several heuristics and hyperparameters in common use by automatically selecting hard examples, thus simplifying training。 放宽了定义negative example的bg_lo threshold，即从[0.1, 0.5)变化到[0, 0.5)。
  取消了正负样本在mini-batch里的ratio（原Fast-RCNN的ratio为1:3）

参考：https://blog.csdn.net/qq_36302589/article/details/84998509