作者提出了一種困難負樣本挖掘的方法，困難負樣本是指模型難以區分的負樣本，也就是容易將負樣本當成正樣本的那些樣本。例如，當roi中沒有目標，全是背景的時候，這時候分類器就很容易正確分類成背景，這就是「容易負樣本」。如果roi中有一半是目標，但是標籤仍然是背景，這個時候分類器就容易把它當作成正樣本，這就是困難負樣本，因此需要多找一些困難負樣本加入負樣本集，進行訓練。
ohem的基準演算法是fast rcnn，目的就是對其進行一點改動就可以大幅度提高效能，網路結構如下所示
圖中除掉（b）模組其餘部分是fast rcnn的網路結構，（b）模組是比fast rcnn多出來的一部分，對於fast rcnn這種two stage 的檢測模型，可以抽象成「推薦」和「分類回歸」兩個部分。ohem的作用恰好是兩個部分的中間。
在推薦網路（fast rcnn用的是ss演算法，faster rcnn用的是rpn）之後，會有很多roi傳到後邊的網路。這部分輸出是推薦網路鎖推薦的region proposal。通常推薦網路會有數以千計的region proposal傳輸到分類回歸網路，分類回歸網路會對這些proposal進行分類、座標和尺寸回歸以及置信度打分，在訓練階段，可以通過這些引數與標註結果進行計算得出損失值。
ohem則是利用的訓練階段產生的損失值。
ohem的流程如下：
1、正常進行一次faster rcnn的前向傳播，獲得每個region proposal單獨的損失值。
2、對每個region proposal進行nms
3、對nms剩下的region proposal按照損失值進行排序，然後選取損失最大的前一部分region當做輸入再次輸入分類回歸網路，這一步可以遮蔽loss非常低的region proposal，也就是所謂的正樣本，對於訓練多次loss還較高的我們可以認為其是困難樣本。所謂的線上挖掘，就是先計算loss→篩選→得到困難負樣本
4、將困難樣本輸入圖中的（b）模組，（b）模組是（a）模組的複製版，（b）模組是用來反向傳播的部分，然後吧更新的引數共享到（a）部分。
每日一網 Day5 MultiBox簡單理解
multibox之前所有的檢測演算法都是使用傳統方法來提取候選框，而multibox則是使用了神經網路來提取候選框，並且multibox的loss函式很好的解決了定位和分類的loss分配問題，並且提出了prior的思想。作者使用了兩個alexnet來組成整個網路，其中乙個alexnet用來做候選框的...
每日一網 Day8 DeepBox簡單理解
物件的精確類別比 前景或者背景更困難，對於生產region proposal的過程中我們不需要判斷框中物體對應的類別，也不希望生成候選區的過程像檢測網路一樣複雜，所以我們可以使用相對輕量級的網路結構來捕獲前景的範圍。deepbox主要幹了一件事，用乙個cnn，對傳統方法產生的proposal重新進行...
每日一網 Day21 SSD簡單理解
終於開始 one stage了 ssd是作者在eccv 2016上發表的 對於輸入尺寸300x300的網路是喲個titan x在voc2007測試集上達到74.3 map以及59fps，對於512x512的網路，達到了76.9 map，超越當時最強的fast rcnn 不同特徵圖設定的先驗框數目不同...