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）

附件见：https://github.com/abhi2610/ohem/files/440512/my_ohem.tar.gz

最近论文作者把它的prototxts，yml等文件也公开了，和笔者的相差不大。

====

这里主要说下该论文的hard mining过程：

先上图，如Figure2所示：

从图中可以看出，本文的亮点在于在每次迭代中，较少训练样本下，如何hard negative mining，来提升效果。

即针对Fast-RCNN框架，在每次minibatch（1张或者2张）训练时加入在线筛选hard region的策略，达到新的SoA。

需要注意的是，这个OHEM适合于batch size（images）较少，但每张image的examples很多的情况。

（thousands of candidate examples，这里的example可以理解为instance、region或者proposal）

这是一次ML经典算法bootstrapping在DL中的完美“嵌入”。

具体来说：

1 将Fast RCNN分成两个components：ConvNet和RoINet. ConvNet为共享的底层卷积层，RoINet为RoI Pooling后的层，包括全连接层；

2 对于每张输入图像，经前向传播，用ConvNet获得feature maps（这里为RoI Pooling层的输入）；

3 将事先计算好的proposals，经RoI Pooling层投影到feature maps上，获取固定的特征输出作为全连接层的输入；

需要注意的是，论文说，为了减少显存以及后向传播的时间，这里的RoINet是有两个的，它们共享权重，

RoINet1是只读（只进行forward），RoINet2进行forward和backward：

a 将原图的所有props扔到RoINet1，计算它们的loss（这里有两个loss：cls和det）；

b 根据loss从高到低排序，以及利用NMS，来选出前K个props（K由论文里的N和B参数决定）

为什么要用NMS? 显然对于那些高度overlap的props经RoI的投影后，

其在feature maps上的位置和大小是差不多一样的，容易导致loss double counting问题

c 将选出的K个props（可以理解成hard examples）扔到RoINet2，

这时的RoINet2和Fast RCNN的RoINet一样，计算K个props的loss，并回传梯度/残差给ConvNet，来更新整个网络

论文提及到可以用一种简单的方式来完成hard mining：

在原有的Fast-RCNN里的loss layer里面对所有的props计算其loss，根据loss对其进行排序，（这里可以选用NMS），选出K个hard examples（即props），

反向传播时，只对这K个props的梯度/残差回传，而其他的props的梯度/残差设为0即可。

由于这样做，容易导致显存显著增加，迭代时间增加，这对显卡容量少的童鞋来说，简直是噩梦。

为什么说是online？

论文的任务是region-based object detection，其examples是对props来说的，即使每次迭代的图像数为1，它的props还是会很多，即使hard mining后

为什么要hard mining：

1 减少fg和bg的ratio，而且不需要人为设计这个ratio；

2 加速收敛，减少显存需要这些硬件的条件依赖；

3 hard mining已经证实了是一种booststrapping的方式， 尤其当数据集较大而且较难的时候；

4 eliminates several heuristics and hyperparameters in common use by automatically selecting hard examples, thus simplifying training。

放宽了定义negative example的bg_lo threshold，即从[0.1, 0.5)变化到[0, 0.5)。

取消了正负样本在mini-batch里的ratio（原Fast-RCNN的ratio为1:3）

===

除了OHEM外，在训练过程中，论文用到了multi-scale的train&test、iterative bounding box regression这两种策略。具体参考fast-rcnn和sppnet这两篇论文。

===

还是看效果说话，效果屌屌的。

的确很佩服rbg的，用简单的方法来优雅的完成这么难的任务，而且这些方法可以通用到其他任务上。

优雅，简单且不简单。

其实有点好奇，为啥不直接用到Faster RCNN上，这样不是更叼么？

======

后记：

笔者正在尝试在faster-rcnn上复现OHEM，待尝试成功后，再说下复现的细节。

OMG，上帝呀，请保佑笔者！

======

=====

如果这篇博文对你有帮助，可否赏笔者喝杯奶茶？(你的鼓励是对笔者莫大前进的动力）