OHEM-Training Region-based Object Detectors with Online Hard Example Mining - cvpr 2016

文章提出了一種通過online hard example mining（OHEM）演算法訓練基於區域的目標檢測演算法，對SGD演算法進行一定的修改，使得原有的region-based ConvNets的啟發式學習和多引數可以被移除，並得到較準確穩定的檢測結果。在PASCAL VOC2007和2012中的mAP分別為：78.9%，76.3%。

Hard example mining：

主要有2種參見Hard example mining演算法，優化SVM時候的演算法和非SVM時的利用。

在優化SVM中使用Hard example mining時，訓練演算法主要維持訓練SVM和在工作集上收斂的平衡迭代過程，同時在更新過程中去除一些工作集中樣本並新增其他特殊的標準。這裡的標準即去掉一些很容易區分的樣本類，並新增一些用現有的模型不能判斷的樣本類，進行新的訓練。工作集為整個訓練集中的一小部分資料。

非SVM中使用時，該Hard example mining演算法開始於正樣本資料集和隨機的負樣本資料集，機器學習模型在這些資料集中進行訓練使其達到該資料集上收斂，並將其應用到其他未訓練的負樣本集中，將判斷錯誤的負樣本資料（false positives）加入訓練集，重新對模型進行訓練。這種過程通常只迭代一次，並不獲得大量的再訓練收斂過程。

網路結構框架：