论文阅读-《Training Region-based Object Detectors with Online Hard Example Mining》

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

<