目标检测Cascade R-CNN 论文解析

Posted 2021-01-11 kk17

目录

• 0. 论文链接
• 1. 概述

@

0. 论文链接

Cascade R-CNN

1. 概述

??这是CVPR 2018的一篇文章，这篇文章也为我之前读R-CNN系列困扰的一个问题提供了一个解决方案：R-CNN在fine-tuning使用IOU threshold = 0.5来防止过拟合，而在分类阶段，使用softmax因为之前0.5的设定太过宽松(loose)，而导致精度下降较多，因此单独训练了一个新的SVM分类器并且更改了IOU阈值（文章中对这样做进行大量的实验对比以及证据十分有力），而在Fast R-CNN中我看到也是用的0.5作为阈值，却通过实验证明softmax比SVM要好一些， 在R-CNN系列的总结我也提了一些可能的原因。而这片文章正好解决大多数分类器的问题，IOU阈值的设定难题。

??对于一个detector来说，如果IOU threshold太低，会学习到很多背景框，引入很多噪声，比如上图中a),可以发现很多噪声框。但如果IOU threshold太高则会导致两个问题：1.样本会以指数级的速度消失2.会在inference阶段出现detector最优的阈值与输入proposal的IOU值发生mismatch。这里解释一下为什么会mismatch：detector通常在proposal自身的IOU值与detector训练的IOU阈值较为接近的时候才会有更好的结果，如果一味的提高IOU阈值很容易出现mismatch导致性能很差，可以看下图关于RPN生成proposal的IOU值分布更好的理解一下（因为高IOU的proposal很少，大多数都是较低IOU的proposal）：