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。
实现
论文
讲解