|
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 Example Mining 论文：https:///pdf/1604.03540.pdf代码：https://github.com/abhi2610/ohem正样本：我们想要正确分类出的类别所对应的样本，例如，我们需要对一张图片分类，确定是否属于猫，那么在训练的时候，猫的图片就是正样本。负样本：根据上面的例子，不是猫的其他所有的图片都是负样本。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。也可以是训练过程中损失最低的负样本。用分类器对样本进行分类，把其中错误分类的样本(hard negative)放入负样本集合再继续训练分类器。关键是找出影响网络性能的一些训练样本，针对性的进行处理。简单来说就是把难分的样本，剔除出来，放到另外一个地方里面。最后将难分样本，给负样本，加强训练分类器。但是，这样又会造成数据不平衡的问题，下面会讲到。在样本训练过程中，会将训练结果与GroundTruth计算IOU。通常会设定一个阈值（0.5），结果超过阈值认为是正样本，低于一定阈值的则认为是负样本，然后扔进网络中训练。但是，随着训练的进行，这样的策略也许会出现一个问题，那就是正样本的数量会远远小于负样本，这样会导致数据的分布不平衡，使得网络的训练结果不是很好。当然有些论文作者针对这种导致不平衡的数据，提出了一种对称的模型。就是类似上图，将Hard Posiotive也重新赋给正样本。CVPR2016的Training Region-based Object Detectors with Online Hard Example Mining(oral)将难分样本挖掘(hard example mining)机制嵌入到SGD算法中，使得Fast R-CNN在训练的过程中根据region proposal的损失自动选取合适的Region Proposal作为正负例训练。上面的论文就是讲的在线的方法：Online Hard Example Mining，简称OHEM实验结果表明使用OHEM（Online Hard Example Mining）机制可以使得Fast R-CNN算法在VOC2007和VOC2012上mAP提高 4%左右。即：训练的时候选择hard negative来进行迭代,从而提高训练的效果。简单来说就是从ROI中选择hard，而不是简单的采样。Forward: 全部的ROI通过网络，根据loss排序;Backward：根据排序，选择B/N个loss值最大的（worst）样本来后向传播更新model的weights.这里会有一个问题，即位置相近的ROI在map中可能对应的是同一个位置，loss值是相近的，所以针对这个问题，提出的解决方法是：对hard做nms，然后再选择B/N个ROI反向传播，这里nms选择的IoU=0.7。在后向传播时，直觉想到的方法就是将那些未被选中的ROI的loss直接设置为0即可，但这实际上还是将所有的ROI进行反向传播，时间和空间消耗都很大，所以作者在这里提出了本文的网络框架，用两隔网络，一个只用来前向传播，另一个则根据选择的ROIs进行后向传播，的确增加了空间消耗（1G），但是有效的减少了时间消耗，实际的实验结果也是可以接受的。
给定图像和选择性搜索RoI，卷积网络计算转换特征映射。在（a）中，只读RoI网络在特征映射和所有RoI上运行正向传递（以绿色箭头显示）。然后Hard RoI模块使用这些RoI损失来选择B个样本。在（b）中，RoI网络使用这些硬性示例来计算前向和后向通道（以红色箭头示出）。想法很类似于新扩展一个空间，错放错误样本，然后单独训练这些样本，更新权重。难分样本挖掘的思想同样可以利用到图像的语义分割上。可以对难以分割的样本，或者无法分割的样本，单独建立字典或者模型来训练，更新网络权重。文中图片中的思想可以借鉴哦。读者可以自定义一个自己的Hard ROI模块哟~【参考】 https://blog.csdn.net/u014381600/article/details/79161261 https://blog.csdn.net/qq_29981283/article/details/83350062 https://blog.csdn.net/u013608402/article/details/51275486
|
