=== CasCade Rcnn ===
**模型介绍**
    * 在目标检测中，需要一个IOU阈值来定义正负样本， 用于训练分类以及对正样本进行坐标回归。选取正负样本的方式主要利用候选框与ground truth的IOU占比，常用的比例是50%，即IOU>0.5的作为正样本，IOU<0.5作为负样本等。
    * 用低阈值训练的目标检测器通常产生噪声检测。但是，随着IOU阈值的增加，检测性能趋于下降。因此，很难抉择一个合适的IOU，无论高低都是有很大弊端的。
    * Cascade R-CNN提出了一种级联检测器，即通过级联的R-CNN网络，每个级联的R-CNN设置不同的IOU阈值，这样每个网络输出的准确度提升一点，用作下一个更高精度的网络的输入，逐步将网络输出的准确度进一步提高。
    * **总结：Cascade R-CNN就是使用不同的IOU阈值，训练了多个级联的检测器，使得网络输出精度进一步得到了提高。**

    *Cascade R-CNN的模型结构如下：
    {{:cascade.png?600|}}
    
**cascade参数调节**
    *用不同的IOU阈值训练得到的检测模型对不同IOU的输入proposal的效果差别较大，因此希望训练每个检测模型用的IOU阈值要尽可能和输入proposal的IOU接近。
    *图中，三条彩色曲线基本上都在灰色曲线以上，这说明对于这三个阈值而言，输出IOU基本上都大于输入IOU。
    *那么就可以以上一个stage的输出作为下一个stage的输入，这样就能得到越来越高的IOU。总之，很难让一个在指定IOU阈值界定的训练集上训练得到的检测模型对IOU跨度较大的proposal输入都达到最佳，因此采取cascade的方式能够让每一个stage的detector都专注于检测IOU在某一范围内的proposal，因为输出IOU普遍大于输入IOU，因此检测效果会越来越好。
    * {{:cascade-2.png?400|}}
**实现**
    *[[https://github.com/open-mmlab/mmdetection|mmdetection官方框架]]
    *[[https://mmdetection.readthedocs.io/|mmdetection框架官方教程文档]]
    *[[https://arxiv.org/abs/1906.07155|mmdetection框架论文]]

** 论文**
    *[[https://arxiv.org/abs/1712.00726|Cascade-RCNN论文]]
** 讲解**
    *[[https://zhuanlan.zhihu.com/p/42553957|Cascade R-CNN 详细解读]]|[[https://blog.csdn.net/u014380165/article/details/80602027|Cascade RCNN算法笔记]]