使用在线难例挖掘训练基于区域的目标检测器
计算机视觉与模式识别
2016-04-13 v1 机器学习
摘要
目标检测领域乘着基于区域的卷积网络(ConvNets)的浪潮取得了显著进展，但其训练过程仍包含许多代价高昂、需调优的启发式规则和超参数。我们提出一种简单却出乎意料有效的在线难例挖掘(OHEM)算法，用于训练基于区域的卷积网络检测器。我们的动机一如既往——检测数据集包含数量庞大的简单样本和少量的困难样本。自动选择这些困难样本可使训练更高效、更有效。OHEM 是一种简单直观的算法，消除了常用的一些启发式规则和超参数。但更重要的是，它在 PASCAL VOC 2007 和 2012 等基准上带来了稳定且显著的检测性能提升。正如 MS COCO 数据集上的结果所示，其有效性随数据集变大变难而增强。此外，结合该领域的互补进展，OHEM 在 PASCAL VOC 2007 和 2012 上分别取得了 78.9% 和 76.3% mAP 的最先进结果。
引用
@article{arxiv.1604.03540,
title = {Training Region-based Object Detectors with Online Hard Example Mining},
author = {Abhinav Shrivastava and Abhinav Gupta and Ross Girshick},
journal= {arXiv preprint arXiv:1604.03540},
year = {2016}
}
备注
To appear in Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016. (oral)