OHEM 笔记

大家好，又见面了，我是你们的朋友全栈君。

前言 1.本文重点是了解OHEM算法以及它与hard negative mining的异同点，尽量用较少篇幅表达清楚论文算法，其他一些不影响理解算法的东西不做赘述 2.博客主要是学习记录，为了更好理解和方便以后查看，当然如果能为别人提供帮助就更好了，如果有不对的地方请指正（论文中的链接是我经过大量搜索，个人认为讲解最清楚的参考）

论文链接 代码链接

Hard Negatie Mining与OHEM（Online Hard Example Mining） 1.相同点： 二者都是难例挖掘，解决样本不平衡问题（简单样本多，在目标检测中也可以说是负样本多，因为基本大部分容易分类的样本都是负样本） 2.不同点： 1）从名字就可以看出前者只注重挖掘难负例，也就是标签是负样本但网络认为它是正样本（与gt的iou大，但是没到阈值那种难以区分的负样本）；而后者是挖掘所有难分类样本，并且是online（R-CNN采用了错题集的办法进行挖掘，Fast R-CNN使用的是IoU阈值+随机采样的方法进行Hard Negative Mining，也就是都必须先结束一轮训练（参考）；而OHEM是先根据loss大小选择留下的roi，然后再根据这些roi反向传播更新参数完成一轮训练） 2）前者可以说是一种指导方向，因为在不同的检测算法中（比如R-CNN、Fast R-CNN以及带anchor的one-stage算法SSD等）Hard Negatie Mining具体操作是不同的；而后是一个算法

OHEM 作者将OHEM用于Fast R-CNN进行试验

在这里插入图片描述

如图，框架只是比Fast R-CNN多出下面一块（b），（a）和（b）是参数相同的网络，（a）只进行前向传播，（b）可以进行反向传播，具体过程为： 1.每个roi通过（a）进行前向传播计算损失，然后根据损失大小进行排序，再通过nms筛选留下损失大的一些roi 2.再将留下的损失大的roi经过（b）进行反向传播以更新参数 3.同步（a）和（b）的参数 注： 1）分为（a）和（b）两个网络就是空间换时间，（b）不需要对所有的roi都进行反向传播，只对留下的损失大的反向传播，实验表明内存差不多而速度快很多 2）这里的nms是根据loss进行的（之前见过的都是根据置信度），阈值设为0.7，因为loss相近表明roi位置相近，没必要留下位置差不多的，所以进行nms

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/139421.html原文链接：https://javaforall.cn