Hard Negative Mining
在R-CNN中使用Hard Negative Mining（负样本挖掘）方法进行分类器的训练
HNM实现
- 设置初始训练集，正负样本数比值为
1:1（或者1:3，具体比例根据实际训练效果决定） - 每轮训练完成后，使用分类器对剩余负样本进行检测，如果检测为正，则加入到训练集中
- 重新训练分类器，重复第二步，直到检测精度开始收敛
为什么要使用HNM
该方法应用在正负样本的数目相差很大的情况。通过HNM，选出对训练分类器有帮助的负样本，能够提高分类器性能
注意：由于初始训练集的数目会很小，所以降低学习率有利于训练结果
R-CNN中的HNM实现
参考zjZSTU/R-CNN中的linear_svm.py实现
在训练特征提取时，训练参数如下：
- 学习率：
1e-3 - 动量：
0.9 - 随步长衰减：每隔
7轮衰减一次，参数因子\(\alpha=0.1\) - 迭代次数：
25
在训练分类器时，使用HNM，训练参数如下：
- 学习率：
1e-4 - 动量：
0.9 - 随步长衰减：每隔
4轮衰减一次，参数因子\(\alpha=0.1\) - 迭代次数：
10