在线难例挖掘（OHEM）

OHEM（online hard example miniing）

为什么要叫在线难例最小化呢？

因为在深度学习提出这个方法的人，想和传统方法区分开。难例挖掘，机器学习学习中尤其是在svm中早就已经使用，又称为bootstrapping。

传统的难例挖掘流程：首先是通过训练集训练网络，训练完成，然后固定网络，寻找新的样本，加入到训练集中。很显然这将耗费很长的时间。

因此作者提出的是在线难例挖掘。

具体怎么实现的呢？

通常是搬出这张图，说实话这张图有点啰嗦！

按我的理解，OHEM的操作就是舍弃了faster RCNN中的正负样本（ROI）比例为1：3，它通过每个ROI的loss值，对所有roi的loss排序，取B/N数量的roi组成mini batch。注意：对于指向同一个目标的rois，通过NMS，取loss最大的roi，其他都删除。

也就是通过loss提高难样本的比例，让网络花更多精力去学习难样本。

我觉得它和focal loss思路本质是一样的，focal loss把loss作用在类别上，二目标检测OHEM把loss 作用在ROI上。