Training Region-based Object Detectors with Online Hard Example Mining
00 Astract
摘要主要讲了四点：
(1) 训练过程需要进行参数的空间搜索
(2) 简单样本与难分辨样本之间的类别不平衡是亟需解决的问题
(3) 自动地选择难分辨样本来进行训练不仅效率高而且性能好
(4) 提出了OHEM算法，不仅效率高而且性能好，在各种数据集上表现优越
01 Introduction
(1) 分类器
由于目标检测套用图像分类的分类思想，但图像分类的数据集和目标检测的 数据集存在天然的差距，目标检测的目标框和背景框之间存在严重的不平衡
在滑动窗口检测器尤为严重，在DPM中甚至达到1：100,000，虽然在其他 检测器中有所减缓，但依然高达1：70
(2) hard negative mining
当然，这个类别不平衡问题并不是新问题，之前有个hard nagetive mining的 算法是解决这个类别不平衡问题的，它的关键思想是逐渐地增加分辨错误的样本。这个算法需要迭代地交替训练，用样本集更新模型，然后再固定模型 来选择分辨错的目标框并加入到样本集中在传统目标检测中，用SVM做分 类器也用到hard negative mining这个算法来训练；在一些浅层的神经网络和 提升决策树中也用hard negative mining来进行训练。除此之外，使用深度学习的目标检测算法也用到了hard negative mining
(3) why current state-of-the-art object detectors do not use hard negative mining?
那为什么不用hard negative mining，这主要是技术上的难度，hard negative mining需要交替地训练，而这对于使用线上优化的算法来说是不可能的，例如SGD(随机梯度下降算法)。使用SGD来训练网络需要上万次更新网络，如果每迭代几次就固定模型一次，这样的速度会慢得不可想象
(4) online hard example mining(OHEM)
那OHEM是怎样解决类别不平衡的呢，OHEM是选择损失较大的候选ROI， 具体为什么选择损失较大的候选ROI，这个后面再仔细说
作者总结了一下，使用了OHEM之后，不仅避免了启发式搜索超参数，而且 提高了mAP。作者发现，训练集越大越困难，OHEM的效果就越好
02 Related work
我们来回顾一下相关的工作
(1) Hard example mining
a. SVMs
优化SVMs时，维持一个工作样本集。交替训练，先训练模型收敛于当前的 工作集，然后固定模型，去除简单样本(能够轻易区分的)，添加困难样本(不 能够区分的)，这样的训练方式 能使模型达到全局最优
b. non-SVMs
除了优化SVMs类的模型，也优化非SVMs类的模型，例如浅层神经网络和提升决策树
(2) ConvNet-based object detection
基于卷积网络的检测模型已经得到了很大的发展，例如R-CNN、OverFeat。 OverFeat是基于滑动窗口的检测模型，R-CNN是基于选择性搜索的检测模型。 除此之外，还有Fast R-CNN，作者的研究工作就是在Fast R-CNN上展开的
(3) Hard example selection in deep learning
在深度学习方面相关的研究工作有三篇论文，这三篇论文的关注点在于图像分类或者图像识别，而OHEM关注点在目标检测
03 Overview of Fast R-CNN
我们回顾一下Fast R-CNN网络框架，如下图
(1) framework
图片和候选框做为Fast R-CNN的输入，Fast R-CNN分为两部分，一部分是卷 积网络，包括卷积和池化层，另一部分是RoI网路，包括RoI池化层、全连接层和两个损失层(一个是分类，一个检测框回归)
(2) inference
在测试的时候，图片输入到卷积网络得到特征层，选择性搜索算法得到RoIs， 对于每个RoI，得到其对应的特征向量，然后每个特征向量输入到全连接层 并得到两个输出，一个是概率，一个检测框的坐标
(3) 那为什么选择Fast R-CNN做为基础的目标检测器呢？
作者给出了几点原因:
a. more broadly applicable
Fast R-CNN由两部分组成，一是卷积网络，二是RoI网络，而这种结构也 被其他的检测模型沿用，例如SPPnet 和 MR-CNN
b. allow for training the entire conv network
虽然Fast R-CNN和SPPnet、MR-CNN在结构上相似，但Fast R-CNN允许 更新整个卷积网络，而SPPnet、MR-CNN却固定住卷积网络
c. SVM or not
SPPnet、MR-CNN使用SVM做分类器，Fast R-CNN不使用SVM
(4) How it trains
Fast R-CNN是使用SGD来优化模型的，每个RoI的损失包括分类损失和回归 损失，其中不断降低分类损失使得模型分类更准确，不断降低回归损失使得 预测标注框更准确。
SGD是以mini-batch为单位来更新模型的。对于每个mini-batch，先从数据 集中取N张，然后每张图片采样B/N个RoIs
a. Foreground RoIs
一个RoIs怎样才算作一个目标RoI(也就是含有目标的RoI)呢，在R-CNN, SPPnet, and MR-CNN等把RoI与真实框的交叉比(IOU)大于等于0.5即判定 为目标RoI，在本文中也是这样的设置
b. Background RoIs
而如果要被判定为背景RoI，则要求该RoI与真实框的交叉比大于等于 bg_lo这个阈值并且小于0.5。虽然这样的设置能加快收敛和检测准确度， 但这样的设置会忽略不怎么出现但又十分重要的比较难分辨的背景。因 此，在本文的OHTM方法中，作者去掉了这样的设置。
c. Balancing fg-bg RoIs
为了解决目标框和背景框之间的不平衡，Fast R-CNN设置在一个 mini-batch中，它们之间的比例是1：3。作者发现，这样的一个比例对 于Fast R-CNN的性能是十分重要的，增大或者减小这个比例，都会使模 型的性能有所下降，但使用OHEM便可以把这个比例值去掉。
04 Our approach
作者认为Fast R-CNN之前选择RoI的方法不仅效率低而且也不是最优的，于是作者提出了OHEM，OHEM不仅效率高而且性能也更优
(1) Online hard example mining
我们知道，基于SVM的检测器，在训练时，使用hard example mining来选 择样本需要交替训练，先固定模型，选择样本，然后再用样本集更新模型， 这样反复交替训练直到模型收敛
a. main observation
作者认为可以把交替训练的步骤和SGD结合起来。之所以可以这样，作 者认为虽然SGD每迭代一次只用到少量的图片，但每张图片都包含上千 个RoI，可以从中选择hard examples，这样的策略可以只在一个mini-batch
中固定模型，因此模型参数是一直在更新的。
更具体的，在第t次迭代时，输入图片到卷积网络中得到特征图，然后 把特征图和所有的RoIs输入到RoI网络中并计算所有RoIs的损失，把损 失从高到低排序，然后选择B/N个RoIs。这里有个小问题，位置上相邻 的RoIs通过RoI网络后会输出相近的损失，这样损失就翻倍。作者为了 解决这个问题，使用了NMS(非最大值抑制)算法，先把损失按高到低排 序，然后选择最高的损失，并计算其他RoI这个RoI的IoU(交叉比)，移 除IoU大于一定阈值的RoI，然后反复上述流程直到选择了B/N个RoIs。
(2) Implementation details
how to implement OHEM in the FRCN detector
主要有两种方法
a. An obvious way
直接修改损失层，然后直接进行hard example selection。损失层计算所 有的RoIs，然后按损失从大到小排序，当然这里有个NMS(非最大值抑制) 操作，选择hard RoIs并non-hard RoIs的损失置0。虽然这方法很直接，
但效率是低下的，不仅要为所有RoI分配内存，还要对所有RoI进行反向 传播，即使有些RoI损失为0。
b. A better way
为了解决这个问题，作者提出了上面这样的架构。这个架构有两个相同 的RoI网络，不同的是其中一个只可读，另一个可读可写。我们看到(a) 是只可读的，只对所有RoI做前向计算，所以只需分配内存给前向计算 操作，(b)既可读也可写，对被选择的hard RoIs不仅做前向计算也做反向 传播计算。
对于一次SGD迭代，计算过程如下:先计算出特征图，可读RoI网络对所 有RoI执行前向计算并计算每个RoI的损失，然后选择hard RoIs。把这 些hard RoIs输入到可读可写的RoI网络中执行前向前向计算和反向传播更新网络，并把可读可写的RoI网络的参数赋值给只可读的网络，一次 迭代就完成了。
这个方式和第一种方式在内存空间是差不多的，但第二种方式的速度快 了两倍。
05 Analyzing online hard example mining
(1) Experimental setup
在本文的实验中使用两种标准的卷积网络，一种是VGG_CNN_M_1024，另一 种是VGG16。论文实验使用的超参数沿用Fast R-CNN的默认设置。
(2) OHEM vs. heuristic sampling
为了检验hard example mining的重要性，我们做了两组实验，一组Fast R-CNN 带有hard example mining，bg_lo=0.1，另一组没有hard example mining，即 bg_lo=0。我们发现，对于VGGM网络，mAP降低2.4点，VGG16基本没变 化。而使用OHEM，相对于使用了hard example mining的Fast R-CNN，mAP 提高了2.4点，相对于没有使用hard example mining的Fast R-CNN，mAP提 高了4.8点。
(3) Robust gradient estimates
而在实验中，存在一个这样的疑虑，每个mini-batch只取两张图片会不会造 成梯度不稳定和收敛慢，因为在一张图片中选择RoI会使RoIs之间的相关性 很大。Fast R-CNN的作者认为在训练过程不存在这样的问题，而在OHEM中，
由于是在一张图片中选择损失大的RoI，这样可能造成RoIs之间的相关性更 大。为了解答这个疑虑，我们把N设置为1，通过做实验发现，传统的Fast R-CNN大概降低一个点，而OHEM却没有太大变化，这说明使用了OHEM的
Fast R-CNN是鲁棒的。
(4) Why just hard examples, when you can use all?
那为什么只选择hard examples呢，因为easy examples的损失很小，对梯度 影响很小。为了用事实说话，作者做了一个这样的实验，把mini-batch的B 分别设置为128和2048，结果表明，B为2048的相对于128的，mAP提高 了一个点。不过，这提高的一个点对于使用了OHEM的Fast R-CNN来说是无 关紧要的，因为OHEM的mAP提高更大，并且用更小的mini-batch收敛速 度会更快。
(5) Better optimization
作者为了分析使用了不同训练方法的Fast R-CNN的训练损失的情况，做了这 样的实验，每优化20K步就记录一下所有RoIs的平均损失，结果显示， bg_lo=0(即没有使用hard example mining)的训练损失最高，bg_lo=0.1(使用 hard example mining)的损失有所降低，增大mini-batch(即设置bg_lo=0， B=2048)，损失更低，最后，使用了OHEM的Fast R-CNN损失最低，这表明 Fast R-CNN使用了OHEM会训练得更好。
(6) Computational cost
使用了OHEM的Fast R-CNN相对于没有使用OHEM的Fast R-CNN在内存和每 迭代一次所花的时间都有所增加，不过，作者认为这一点增加影响不大。
06 Conclusion
(1) 简化训练过程
(2) 更好的训练收敛和检测准确度的提高