OHEM
算法背景
作者提出了一种困难负样本挖掘的方法，困难负样本是指模型难以区分的负样本，也就是容易将负样本当成正样本的那些样本。例如，当roi中没有目标，全是背景的时候，这时候分类器就很容易正确分类成背景，这就是“容易负样本”。如果roi中有一半是目标，但是标签仍然是背景，这个时候分类器就容易把它当作成正样本，这就是困难负样本，因此需要多找一些困难负样本加入负样本集，进行训练。
OHEM
网络结构
OHEM的基准算法是fast rcnn，目的就是对其进行一点改动就可以大幅度提高性能，网络结构如下所示
图中除掉（b）模块其余部分是fast rcnn的网络结构，（b）模块是比fast rcnn多出来的一部分，对于fast rcnn这种two stage 的检测模型，可以抽象成“推荐”和“分类回归”两个部分。OHEM的作用恰好是两个部分的中间。
在推荐网络（fast rcnn用的是ss算法，faster rcnn用的是rpn）之后，会有很多ROI传到后边的网络。这部分输出是推荐网络锁推荐的Region proposal。通常推荐网络会有数以千计的Region proposal传输到分类回归网络，分类回归网络会对这些proposal进行分类、座标和尺寸回归以及置信度打分，在训练阶段，可以通过这些参数与标注结果进行计算得出损失值。
算法流程
OHEM则是利用的训练阶段产生的损失值。
OHEM的流程如下：
1、正常进行一次Faster RCNN的前向传播，获得每个Region proposal单独的损失值。
2、对每个Region proposal进行NMS
3、对NMS剩下的Region proposal按照损失值进行排序，然后选取损失最大的前一部分Region当做输入再次输入分类回归网络，这一步可以屏蔽loss非常低的Region proposal，也就是所谓的正样本，对于训练多次loss还较高的我们可以认为其是困难样本。所谓的线上挖掘，就是先计算loss→筛选→得到困难负样本
4、将困难样本输入图中的（b）模块，（b）模块是（a）模块的复制版，（b）模块是用来反向传播的部分，然后吧更新的参数共享到（a）部分。