深度學(xué)習(xí)難分樣本挖掘（Hard Mining）

最近看了幾篇文章關(guān)于難分樣本的挖掘，如何將難分樣本抽取出來，通過訓(xùn)練，使得正負(fù)樣本數(shù)量均衡。一般用來減少實(shí)驗(yàn)結(jié)果的假陽性問題。
Training Region-based Object Detectors with Online Hard Example Mining論文：https://arxiv.org/pdf/1604.03540.pdf代碼：https://github.com/abhi2610/ohem
一、概念
對于分類來說：

• 正樣本：我們想要正確分類出的類別所對應(yīng)的樣本，例如，我們需要對一張圖片分類，確定是否屬于貓，那么在訓(xùn)練的時候，貓的圖片就是正樣本。

• 負(fù)樣本：根據(jù)上面的例子，不是貓的其他所有的圖片都是負(fù)樣本

• 難分正樣本(hard positives)：錯分成負(fù)樣本的正樣本，也可以是訓(xùn)練過程中損失最高的正樣本

• 難分負(fù)樣本(hard negatives)：錯分成正樣本的負(fù)樣本，也可以是訓(xùn)練過程中損失最高的負(fù)樣本

• 易分正樣本(easy positive)：容易正確分類的正樣本，該類的概率最高。也可以是訓(xùn)練過程中損失最低的正樣本

• 易分負(fù)樣本(easy negatives)：容易正確分類的負(fù)樣本，該類的概率最高。也可以是訓(xùn)練過程中損失最低的負(fù)樣本。

二、核心思想

用分類器對樣本進(jìn)行分類，把其中錯誤分類的樣本(hard negative)放入負(fù)樣本集合再繼續(xù)訓(xùn)練分類器。
關(guān)鍵是找出影響網(wǎng)絡(luò)性能的一些訓(xùn)練樣本，針對性地進(jìn)行處理。

簡單來說就是把難分的樣本，剔除出來，放到另外一個地方里面。最后將難分樣本，給負(fù)樣本，加強(qiáng)訓(xùn)練分類器。但是，這樣又會造成數(shù)據(jù)不平衡的問題，下面會講到。
三、方法：離線和在線

• 離線：

在樣本訓(xùn)練過程中，會將訓(xùn)練結(jié)果與GroundTruth計算IOU。通常會設(shè)定一個閾值（0.5），結(jié)果超過閾值認(rèn)為是正樣本，低于一定閾值的則認(rèn)為是負(fù)樣本，然后扔進(jìn)網(wǎng)絡(luò)中訓(xùn)練。
但是，隨著訓(xùn)練的進(jìn)行，這樣的策略也許會出現(xiàn)一個問題，那就是正樣本的數(shù)量會遠(yuǎn)遠(yuǎn)小于負(fù)樣本，這樣會導(dǎo)致數(shù)據(jù)的分布不平衡，使得網(wǎng)絡(luò)的訓(xùn)練結(jié)果不是很好。當(dāng)然有些論文作者針對這種導(dǎo)致不平衡的數(shù)據(jù)，提出了一種對稱的模型。就是類似上圖，將Hard Posiotive也重新賦給正樣本。

• 在線：

CVPR2016的Training Region-based Object Detectors with Online Hard Example Mining(oral)將難分樣本挖掘(hard example mining)機(jī)制嵌入到SGD算法中，使得Fast R-CNN在訓(xùn)練的過程中根據(jù)region proposal的損失自動選取合適的Region Proposal作為正負(fù)例訓(xùn)練。
上面的論文就是講的在線的方法：Online Hard Example Mining，簡稱OHEM實(shí)驗(yàn)結(jié)果表明使用OHEM（Online Hard Example Mining）機(jī)制可以使得Fast R-CNN算法在VOC2007和VOC2012上mAP提高 4%左右。
即：訓(xùn)練的時候選擇hard negative來進(jìn)行迭代,從而提高訓(xùn)練的效果。
簡單來說就是從ROI中選擇hard，而不是簡單的采樣。
Forward: 全部的ROI通過網(wǎng)絡(luò)，根據(jù)loss排序；
Backward：根據(jù)排序，選擇B/N個loss值最大的（worst）樣本來后向傳播更新model的weights。
這里會有一個問題，即位置相近的ROI在map中可能對應(yīng)的是同一個位置，loss值是相近的，所以針對這個問題，提出的解決方法是：對hard做nms，然后再選擇B/N個ROI反向傳播，這里nms選擇的IoU=0.7。
在后向傳播時，直覺想到的方法就是將那些未被選中的ROI的loss直接設(shè)置為0即可，但這實(shí)際上還是將所有的ROI進(jìn)行反向傳播，時間和空間消耗都很大，所以作者在這里提出了本文的網(wǎng)絡(luò)框架，用兩個網(wǎng)絡(luò)，一個只用來前向傳播，另一個則根據(jù)選擇的ROIs進(jìn)行后向傳播，的確增加了空間消耗（1G），但是有效的減少了時間消耗，實(shí)際的實(shí)驗(yàn)結(jié)果也是可以接受的。

給定圖像和選擇性搜索RoI，卷積網(wǎng)絡(luò)計算轉(zhuǎn)換特征映射。在（a）中，只讀RoI網(wǎng)絡(luò)在特征映射和所有RoI上運(yùn)行正向傳遞（以綠色箭頭顯示）。然后Hard RoI模塊使用這些RoI損失來選擇B個樣本。在（b）中，RoI網(wǎng)絡(luò)使用這些硬性示例來計算前向和后向通道（以紅色箭頭示出）。
想法很類似于新擴(kuò)展一個空間，錯放錯誤樣本，然后單獨(dú)訓(xùn)練這些樣本，更新權(quán)重。

四、擴(kuò)展idea

難分樣本挖掘的思想同樣可以利用到圖像的語義分割上。
可以對難以分割的樣本，或者無法分割的樣本，單獨(dú)建立字典或者模型來訓(xùn)練，更新網(wǎng)絡(luò)權(quán)重。
用于不平衡數(shù)據(jù)的擴(kuò)增也是一個不錯的選擇。
文中圖片中的思想可以借鑒哦。讀者可以自定義一個自己的Hard ROI模塊喲~
參考：
https://blog.csdn.net/u014381600/article/details/79161261https://blog.csdn.net/qq_29981283/article/details/83350062https://blog.csdn.net/u013608402/article/details/51275486