Apr, 2018

损失排序挖掘：一种适用于实时检测器的通用难例挖掘方法

PDF
TL;DR本文提出了基于 Loss Rank Mining 的通用困难例子挖掘方法，可适用于实时检测器，通过使用该方法，可以在实时检测过程中发现困难样本，从而有效提高检测精度。实验结果表明，该方法可以使 YOLOv2 检测器在自动驾驶相关数据集 KITTI 和更通用的数据集 PASCAL VOC 上的 mAP 值分别提高 5% 和 2%。
object detectorsreal-time detectorshard example miningloss rank miningyolov2
发现论文，激发创造
  • 使用在线困难样本挖掘训练基于区域的物体探测器

    本研究提出了一种称为 OHEM 的在线硬负样本挖掘算法，可以提高目标检测中基于区域卷积神经网络的检测器的性能，尤其是在难度较大且数据规模较大的数据集上表现出色

    Apr, 2016

  • 视频无监督困难样本挖掘以提升物体检测

    通过对视频数据分析，提出一种利用孤立检测结果自动获取大量 hard negative 和 hard positive 的方法，用于在多项物体检测数据集中重新训练神经网络并显著提升检测表现。

    Aug, 2018

  • DR Loss: 通过分布式排序提高目标检测精度

    本篇论文提出了分布式排名（DR）损失，以在单一阶段识别前景物体时处理前景和背景类别的数量不平衡和背景候选难度的不平衡。本方法不仅缓解了背景候选的内类别不平衡问题，而且提高了排名算法的效率。将 DR 损失应用于 RetinaNet 中，应用 ResNet-101 作为主干网络，单尺度测试的 mAP 即可从 39.1% 提高到 41.7%，证明了所提出的损失函数的有效性。

    Jul, 2019

  • 余量样本挖掘损失函数：一种基于深度学习的行人再识别方法

    本文提出了一种新的度量学习损失，称为边际采样挖掘损失（MSML），它采用硬样本挖掘，并能够比其他度量学习损失（如三元组损失）获得更好的精度。在实验中，我们的方法在 Market1501、MARS、CUHK03 和 CUHK-SYSU 等数据集上的性能超过了大多数最先进的算法。

    Oct, 2017

  • 人物可泛化再识别的增强难例挖掘

    通过在公共嵌板数据集上应用增强的难例挖掘方法，从而实现不使用目标领域信息时具有良好效果的人物再识别（Re-ID）性能。

    Oct, 2019

  • 通过稀有示例挖掘提高三维检测中类内长尾问题的性能

    本研究针对 3D 物体检测中的长尾问题，提出一种基于稀有性（rareness）而非难度（difficulty）的数据获取方法，该方法使用流模型对特征空间中的稀有物体进行密度估计，并提出基于成本的优化公式，从而显著提高检测模型对稀有物体的准确率（30.97%）。

    Oct, 2022

  • 通过在难样本上进行元学习以提高泛化能力

    学习重加权（LRW）方法用优化准则分配训练实例权重，以在代表性验证数据集上最大化性能。我们提出并形式化了在 LRW 训练中优化选择验证集的问题，以提高分类器的泛化能力。使用难以分类的实例作为验证集，在理论上与实证的有效性存在强烈的关联。我们提供了一种有效的算法来训练这种元优化模型，并提出了一种简单的两次训练启发式方法进行比较研究。我们证明相对于易用验证数据的 LRW，具有难度验证数据的 LRW 表现一致更差，从而验证了我们元优化问题的有效性。我们的算法在一系列数据集和域偏移挑战（Imagenet-1K，CIFAR-100，Clothing-1M，CAMELYON，WILDS 等）上优于广泛的基线，通过在 Imagenet 上使用 VIT-B 获得了约 1％的增益。我们还展示了在 LRW 的训练中使用自然难的示例（Imagenet-R/Imagenet-A）能够在干净和自然难的测试实例上分别提高 1-2％的性能。次要分析显示，在 LRW 框架中使用难度验证数据可以提高测试数据的边界，暗示了我们实证增益背后的机制。我们认为这项工作为监督学习环境中元学习的元优化开辟了新的研究方向。

    Mar, 2024

  • 借助坚强的样本重新挖掘策略实现健壮的植物疾病诊断

    基于 YOLO 的自动植物病害诊断系统通常优于基于 EfficientNet 的分类系统，但是存在识别正常图像时产生误检测的问题。本文提出了一种名为 HSReM 的简单而有效的训练策略，通过选择适当难度的训练图像来增强正常数据和病害数据的诊断性能，实验结果表明该策略在大规模未知数据上比传统方法具有更好的综合性能。

    Sep, 2023

  • 定位召回率精度（LRP）：一种新的目标检测性能度量

    本文提出了一种针对目标检测的度量标准 'Localization Recall Precision (LRP) Error'，该度量标准由三个与定位、假阴性率和假阳性率有关的组成部分组成，利用 Optimal LRP 来决定一个类别的最佳置信度阈值，从而平衡定位和召回精度之间的权衡。与 AP 不同，Optimal LRP 能为 SOTA 检测器提供比 AP 更丰富和有区别性的信息。

    Jul, 2018

  • 利用难负样本引导人脸检测

    本文描述了一种利用深度卷积网络进行面部检测的新方法，其中通过利用硬负样本挖掘的想法并迭代更新 Faster R-CNN 基础面部检测器，从大量背景样例中得到的硬负样本，最终获得的面部检测器在 FDDB 数据集上的性能要优于目前的最优面部检测器。

    Aug, 2016