收录于CVPR2016
1.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 detection的训练过程中有一个很大的问题是:整张图里面目标的区域要比背景的区域小很多。对于region-based detector来说,正样本要比负样本少很多。直接把这样极度不均衡的数据拿去训练分类器的话,分类器可能会倾向于把所有的样本分为负样本。
一种解决办法就是online hard negative mining,典型的做法是:
1)拿出所有的正样本和一小部分负样本(构成初始active training set)先训练一个分类器;
2)训练好的分类器在剩下的负样本里面找false positive,加入到active training set;
3)利用active training set训练分类器,之后回到2);
但是这种训练方法要用在神经网络的训练的话还是很麻烦的,我们需要的是purely online form of hard example mining
3.Overview of FRCN
<