阅读小结:A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
2017-06-16 20:35
597 查看
arXiv: https://arxiv.org/pdf/1704.03414.pdf
What:
1. 目标是去增强 检测器对于遮挡和形变 的泛化能力
2. 但是数据集中 遮挡和形变 的图像一般较少
3. 所以作者提出了 adversary的方法去增加 训练难度
4. 整个网络是 基于 Fast-RCNN 而不是 Faster-RCNN
How:
1. 先pretrain Fast-RCNN网络
2. 通过sliding window (如果feature map的大小是6*6,这个window大小是2*2)找到遮住哪部分对网络影响最大,用这个使loss最大的mask来pretrain adverse的部分网络(ASDN)
3. pretrain ASDN使用的loss 是 mask上每个像素做二分类cross entropy loss(其实这里也可以直接regression吧?)
4. pretrain完了以后,实际在训练的时候,ASDN输出的不是二值,而是一个0~1之间的概率。所以可以设置一个阈值,来确定最后到底要dropout哪些。作者实际上是先找到top50% predict出来要dropout的点,然后在这50%的位置里再随机选一些点来drop。实际就是drop了 1/3的位置。
5. 现在都pretrain完了~可以连起来训练了
6. 另外,4中使用了随机采样,是不可导的。所以作者说可以用rl的方法来处理这部分的回传bp,但没细说。
7. 类似的我们除了可以用dropout 来模拟遮挡,也可以用 stn来模拟 物体的旋转 形变。
8. STN这部分限制了旋转角度为 -10度到10度
9. A-dropout 和 A-stn可以串行
What:
1. 目标是去增强 检测器对于遮挡和形变 的泛化能力
2. 但是数据集中 遮挡和形变 的图像一般较少
3. 所以作者提出了 adversary的方法去增加 训练难度
4. 整个网络是 基于 Fast-RCNN 而不是 Faster-RCNN
How:
1. 先pretrain Fast-RCNN网络
2. 通过sliding window (如果feature map的大小是6*6,这个window大小是2*2)找到遮住哪部分对网络影响最大,用这个使loss最大的mask来pretrain adverse的部分网络(ASDN)
3. pretrain ASDN使用的loss 是 mask上每个像素做二分类cross entropy loss(其实这里也可以直接regression吧?)
4. pretrain完了以后,实际在训练的时候,ASDN输出的不是二值,而是一个0~1之间的概率。所以可以设置一个阈值,来确定最后到底要dropout哪些。作者实际上是先找到top50% predict出来要dropout的点,然后在这50%的位置里再随机选一些点来drop。实际就是drop了 1/3的位置。
5. 现在都pretrain完了~可以连起来训练了
6. 另外,4中使用了随机采样,是不可导的。所以作者说可以用rl的方法来处理这部分的回传bp,但没细说。
7. 类似的我们除了可以用dropout 来模拟遮挡,也可以用 stn来模拟 物体的旋转 形变。
8. STN这部分限制了旋转角度为 -10度到10度
9. A-dropout 和 A-stn可以串行
相关文章推荐
- [深度学习论文笔记][CVPR 17 oral]A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- A-Fast-RCNN:Hard Positive Generation via Adversary for Object Detection
- 对抗学习用于目标检测--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- 对抗学习用于目标检测--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection 笔记
- A-Fast-RCNN: Hard positive generation via adversary for object detection
- 目标检测“A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection”
- 对抗学习用于目标检测--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- [论文笔记]A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- Fast R-CNN: Fast Region-based Convolutional Networks for object detection(阅读)
- Fast R-CNN: Fast Region-based Convolutional Networks for object detection(阅读)
- R-CNN:Rich feature hierarchies for accurate object detection and semantic segmentation(阅读)
- Rich featureHierarchies for accurate object detection and semantic segmentation 阅读笔记
- 行人检测论文笔记:Fast Feature Pyramids for Object Detection?
- 论文阅读(Chenyi Chen——【ACCV2016】R-CNN for Small Object Detection)
- 读Robust Object Detection Via Soft Cascade 小结
- reinforcement learing for visual object detection - 阅读笔记
- Abandoned Object Detection via Temporal Consistency Modeling and Back-Tracing Verification for Visua
- 论文阅读 R-FCN: Object Detection via Region-based Fully Convolutional Networks