Training Region-based Object Detectors with Online Hard Example Mining - cvpr 2016 oral

最新推荐文章于 2022-11-06 11:07:00 发布
最新推荐文章于 2022-11-06 11:07:00 发布
阅读量1w 收藏 22
点赞数 5
分类专栏： cvpr Deep Learning 文章标签： hard mining fast rcnn
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zimenglan_sysu/article/details/51318058
版权

  这是rbg大神的又一神作，cvpr 2016的oral paper，论文地址here。

  给rbg大神发邮件问了下问题，想不到大神居然回我，还给了开源的代码：https://github.com/abhi2610/ohem，（太开心了）

  另外另一个作者的主页：http://abhinav-shrivastava.info/

====

题外话，说下自己的implementation（主要基于rbg开源的OHEM代码，把OHEM的相关代码嵌入到faster-rcnn里面去）

  主要是roi_data_layer/里面的layer.py and minibatch.py和fast_rcnn里面的config.py里的ohem代码加入到自己faster-rcnn的对应文件里

  还要修改下select_hard_examples函数里的BATCH_SIZE变量，用新的OHEM_BATCH_SIZE变量表示

附件是自己摸索出来的prototxt文件，至于实验还在跑。

嗯今天跑完，效果为70.4% （发现用不用nms，效果相差不到0.1%）

按自己的方式实现ohem的话，效果为70.6%左右。

觉得应该是proposals的生成（end2end方式）的coverage不够好导致的）

最低0.47元/天 解锁文章
_menglan_Zi
关注
  • 5
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 38
    评论
专栏目录
论文笔记--FaceNet & Online Hard Example Mining
木棉
04-28 1万+
昨天读了两篇论文，一篇是今年cvpr的一篇oral，R-CNN的作者，论文的重点不是提高检测速度，而是在进行更有效的训练—-如何挖掘有效的样本;另一篇是去年google提出的利用三元组进行人脸识别算法—-FaceNet。Online Hard Example Mining1. Introduction hard example mining 是机器学习在训练时常见的步骤。总结起来，mining
什么是hard negative mining
热门推荐
来自外星系的研究生
09-06 2万+
最近一直在看关于CNN的目标检测和跟踪的文章，在这中间会经常看到hard negative mining这个名词，把这个大概解释一下： 假设给你一堆包含一个或多个人物的图片，并且每一个人都给你一个bounding box做标记，如果要训练一个分类器去做分类的话，你的分类器需要既包含正训练样本（人）和负训练样本（背景）。 你通过观察bounding box去创建一个有用的正训练样本，那么怎么做才
Hard Mining方法总结
bianlongpeng的博客
05-27 979
一、相关概念 对于分类来说： 正样本：正确分类出的类别对应的样本 负样本：不是正样本的所有样本 难分正样本（hard positives）:错分成负样本的正样本，也可以是训练过程中损失最高的正样本 难分负样本（hard negatives）:错分成正样本的负样本，也可以是训练过程中损失最高的负样本 易分正样本（easy positive）：容易正确分类的正样本，该类的概率最高。也可以是训练过程中损失最低的正样本 易分负样本（easy negatives）：容易正确分类的负样本，该类的概率最高。也可以是训练
物体检测笔记
weixin_45649258的博客
06-13 240
在计算机视觉中，有如下四种基本任 务，分别是什么呢？ 提出了一系列非常经典的做法，包括： a. 如何应用stochastic gradient descent (SGD) 到training里。 b. NMS (non-maximum suppression)对后期testing的处理非常重要。 c. Data mining hard examples这些概念至今仍在使用。 一种post-processing 方式。 用在所有检测系统里。 物体检测的指标里，不允许出现多个重复的检测，即使这些结果和真值都比较
pytorch - ohem 代码实现
weixin_41449637的博客
02-10 1603
如果考虑类别和坐标两种情况： import torch import torch.nn.functional as F import torch.nn as nn smooth_l1_sigma = 1.0 smooth_l1_loss = nn.SmoothL1Loss(reduction='none') # reduce=False def ohem_loss(batch_size,...
【目标检测——OHEM 解读】处理类别不平衡问题
m0_61139217的博客
11-06 2095
之前做个一个目标检测任务，每个类别之间的数据量差距较大，有明显的类别不均衡现象（当样本比例大于4：1时）。对于目标检测，可以使用OHEM技术进行扩大数据广度。使用基于交叉熵损失改进的Focal Loss损失函数。对类别多的数据类别进行欠采样（减少一些重复的数据）。对于类别较少的数据使用过采样，通过数据增广（色彩变换，仿射变换等）进行扩充。本篇博客主要会记录在研究OHEM技术时的一些总结。
Distilling-Object-Detectors:CVPR 2019 论文 Distilling Object Detectors with Fine-grained Feature Imitation 的实现
07-24
我们的 CVPR 2019 论文 Distilling Object Detectors with Fine-grained Feature Imitation 的实现 我们提出了一种基于锚点的对象检测模型的通用蒸馏方法，以利用大型教师模型的知识获得增强的小型学生模型，该模型...
Distilling-Object-Detectors-Shuffledet:具有细粒度特征模仿的CVPR 2019论文蒸馏对象检测器的实现
05-04
准备python2 tensorpack = 0.8.6 tensorflow = 1.8.01克隆存储库首先，克隆代码git clone https://github.com/twangnh/Distilling-Object-Detectors-Shuffledet2数据准备请注意，由于测试集标签不可用，我们将KITTI...
Hybrid Cycle-based Volume Estimation Method for Signalized Intersections Based on Sampled Trajectory Data
02-08
Traditional volume estimation mainly depends on fixed detector represented by loop detectors, but limited spatial coverage and detection failure are also prominent. With the development of vehicle ...
Awesome-3D-Detectors:出色的3D检测方法的清单
03-18
2020.11.25 pm添加** DA-PointRCNN论文清单标题酒馆输入MV3D （用于自动驾驶的多视图3D对象检测网络） CVPR2017 I + L F-PointNet （用于从RGB-D数据进行3D对象检测的平截头体PointNets）CVPR2018 I + L VoxelNet ...
36792853MIMO-radar-detectors.rar_MIMO-radar_matlab mimo_mimo rad
07-14
matlab use mimo radar toolbox
论文笔记 OHEM: Training Region-based Object Detectors with Online Hard Example Mining
xiaoxiang_AQ 的博客
10-08 2万+
CVPR2016的文章，CMU与rbg大神的合作。原谅我一直没有对这篇文章做一个笔记~~ 文章提出了一种通过online hard example mining（OHEM）算法训练基于区域的卷积检测算子的高效目标检测算法，能够对简单样本和一些小数量样本进行抑制，使得训练过程更加高效。该方法利用显著的bootstrapping技术（SVM中被普遍利用），对SGD算法进行一定的修改，使得原有的reg
hard negative mining分析得最好的理解
Camaro的专栏
01-25 1万+
hard negative mining的理解，摘自：这里写链接内容 ： R-CNN在训练SVM分类器时使用了难分样本挖掘（hard negative mining）的思想，但Fast R-CNN和Faster R-CNN由于使用端到端的训练策略并没有使用难分样本挖掘（只是设置了正负样本的比例并随机抽取）。CVPR2016的Training Region-based Object Detec
triplet hard mining-xiaolong wang
u013548568的博客
03-28 885
1、 前传过程 template <typename Dtype> void RankHardLossLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
关于hard-negative mining
zhubaoguai的博客
04-19 2620
1. hard-negative mining      negative相对于positive，是相对于正样本来说，不含有目标的负样本。但是，negative包括很多，有完全不包含目标的的，也有部分含有的，也就是容易/不容易被分为负样本的。其中比较容易被判定是负样本（比如全是背景）的对于训练并不能起到很好的监督作用。我们需要找一些难划分的负样本，也就是hard negative，来增强网络的判别...
hard-negative mining 及伪代码实现
05-05 5535
Histogram of Oriented Gradients and Object Detection对于目标检测（object detection）问题，所谓的 hard-negative mining 针对的是训练集中的 negative training set（对于目标检测问题就是图像中非不存在目标的样本集合）
图像处理中的hard negative mining（难例挖掘）
qq_36570733的博客
10-27 1万+
本篇总结了一下知乎上的回答，原文链接：https://www.zhihu.com/question/46292829 在目标检测中我们会事先标记好ground_truth，接下来在图片中随机提取一系列sample，与ground_truth重叠率IoU超过一定阈值的(比如0.5)，则认为它是positive sample，否则为negative sample，考虑到实际负样本数>>正...
深度学习难分样本挖掘（Hard Mining）
AI蜗牛车
03-29 818
最近看了几篇文章关于难分样本的挖掘，如何将难分样本抽取出来，通过训练，使得正负样本数量均衡。一般用来减少实验结果的假阳性问题。Training Region-based Object Detectors with Online Hard ExampleMining论文：https://arxiv.org/pdf/1604.03540.pdf代码：https://gith...
改写这段文字This paper investigates a phenomenon where query- based object detectors mispredict at the last decoding stage while predicting correctly at an intermediate stage. We review the training process and attribute the overlooked phenomenon to two limitations: lack of training emphasis and cascading errors from decoding sequence. We design and present Selective Query Recollection (SQR), a simple and effective training strategy for query-based object detec- tors. It cumulatively collects intermediate queries as decod- ing stages go deeper and selectively forwards the queries to the downstream stages aside from the sequential struc- ture. Such-wise, SQR places training emphasis on later stages and allows later stages to work with intermediate queries from earlier stages directly. SQR can be easily plugged into various query-based object detectors and sig- nificantly enhances their performance while leaving the in- ference pipeline unchanged. As a result, we apply SQR on Adamixer, DAB-DETR, and Deformable-DETR across various settings (backbone, number of queries, schedule) and consistently brings 1.4 ∼ 2.8 AP improvement.
最新发布
03-08
本文研究了一种现象，即在预测中间阶段正确的情况下，在最后的解码阶段出现查询基础目标检测器误判的情况。我们回顾了训练过程，并将被忽视的现象归因于两个限制：缺乏训练重点和解码序列中的级联错误。...
评论 38
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值