S-OHEM：用于目标检测的分层在线难例挖掘
计算机视觉与模式识别
2017-08-16 v4
摘要
目标检测中的主要挑战之一是提出具有高度准确物体定位的检测器。高损失区域提议(难例)的在线采样使用多任务损失，对所有损失类型(例如分类与定位、刚性与非刚性类别)采用相等权重设置，并忽略了整个训练过程中不同损失分布的影响，我们发现这种影响对训练效能至关重要。本文中，我们提出分层在线难例挖掘(Stratified Online Hard Example Mining, S-OHEM)算法，用于训练更高效和准确的检测器。S-OHEM利用带有分层采样的OHEM(一种被广泛采用的采样技术)，在难例挖掘期间根据该影响选择训练样本，从而提升目标检测器的性能。我们通过系统实验表明，在PASCAL VOC 2007的刚性类别上，对于IoU阈值0.6和0.7，S-OHEM带来平均精度(AP)提升0.5%。对于KITTI 2012，同一指标的两个结果均为1.6%。关于均值平均精度(mAP)，使用同一组IoU阈值，在VOC07(KITTI12)上观察到相对提升0.3%和0.5%(1%和0.5%)。此外，S-OHEM易于与现有基于区域的检测器集成，并能够与识别后级回归器协同工作。
引用
@article{arxiv.1705.02233,
title = {S-OHEM: Stratified Online Hard Example Mining for Object Detection},
author = {Minne Li and Zhaoning Zhang and Hao Yu and Xinyuan Chen and Dongsheng Li},
journal= {arXiv preprint arXiv:1705.02233},
year = {2017}
}
备注
9 pages, 3 figures, accepted by CCCV 2017