Region proposal task是生成一组包含目标的候选区域。在这项任务中，最重要的是在固定数量的proposal中提出尽可能多的真实候选者。然而，在一个典型的图像中，与大量简单的负样本相比，很难的负样本太少了，因此区域提议网络很难训练硬负样本。

由于这个问题，网络倾向于提出hard negatives作为proposal，而未能提出真实的候选者，这导致性能不佳。在本文中提出了一个Negative Region Proposal Network（nRPN）来改进区域提议网络（RPN）。nRPN 从 RPN 的误报中学习，并为 RPN 提供难的负样本。我们提出的 nRPN 可以减少误报和更好的 RPN 性能。使用 nRPN 训练的 RPN 在 PASCAL VOC 2007 数据集上实现了性能改进。https://arxiv.org/pdf/2208.01916

1、简介

区域提议网络主要用于基于区域的目标检测器的第一阶段，通过将目标与背景区分开来。在以前的工作中，有使用穷举搜索适应分割的选择性搜索方法和从边缘生成边界框的边缘框方法。在 Ren 等人的研究中，Region Proposal Network (RPN) 可以预测目标得分和具有多个anchor比例和比率的建议的坐标。此外，Lu 等人提出了自适应搜索策略，将图像递归地划分为子区域。这些方法通过减少候选区域的数量和更好的检测器性能来提高计算效率。

区域提议网络通过在前景（正）和背景（负）两个类别之间进行分类的二元分类来学习对象性。然而，前景-背景类别不平衡是区域提议和目标检测任务中的一个具有挑战性的问题。与前景示例相比，背景示例过于简单，损失低，导致模型退化。为了解决这个问题，需要高损失的难负样本。困难负样本挖掘有很多工作，例如在线困难样本挖掘（OHEM），它通过选择使用提升决策树的表现最差的示例来仅训练高损失建议。

在本文中提出了一个名为 Negative Region Proposal Network (nRPN) 的困难负样本学习网络，而不是困难样本挖掘。nRPN 旨在提出 RPN 可能不正确的困难负样本。nRPN 使用来自 RPN 的误报进行训练，同时，RPN 使用 nRPN 提出的难负样本进行训练。RPN 和 nRPN 都是同时训练的，它们相互提供正例或负例，并逐渐生成更难的例子。这种方法可以提高 RPN 的召回率和更好的检测器性能（图 1）。此外，还提出了考虑每个anchor和ground-truth（GT）之间的Intersection over Union（IoU）的损失函数，以根据IoU应用不同的损失。在本文中，主要贡献是，

  • 提出的nRPN 从RPN 的误报中学习难负样本，并为RPN 提供难负样本。通过将 RPN 和 nRPN 一起训练，可以很容易地从仅用于训练的 nRPN 中得到困难负样本。
  • 还提出了Overlap Loss 来根据anchor 和GT 的重叠值计算不同的损失。Overlap Loss对于学习大物体和小物体的大小都更有效。

内容中包含的图片若涉及版权问题，请及时与我们联系删除