本文介绍了cvpr 2016 oral论文，重点探讨如何使用在线困难样本挖掘（OHEM）改进Fast R-CNN，提高目标检测效果。作者提供了开源代码，实现了OHEM在少量样本和大量候选区域情况下的高效训练。OHEM通过减少正负样本比例，加速收敛，并简化训练过程。实验表明，这种方法在保持高性能的同时，减少了对硬件资源的需求。
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）
扫一扫
1018
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
