AI面经（提问论文时如何出彩？）——Cascade RCNN为例

AI面经（提问论文时如何出彩？）——Cascade RCNN为例

AI面的时候，问你看过的论文，是在正常不过的事情了，那如何出彩呢？拿Cascade RCNN论文为例（其实这个也是平时读论文应该做到的）

应该再加一个，这样的论文，精度体现在哪里？比如说cascade 在map方面，主要提升IOU阈值比较高的。ap0.9这种的，还有什么时候会出现不work的情况！

目录

0.本质

1. 提出的背景（也是重点，每个论文提出的原因）

2. 作者的实验（证明你的论文视角）

1.如何改进

2.改进的必要性的证明

3.训练和测试

3.我的改进（证明你的论文宽度）

4.搞源码过程收获（证明你确实有看）

---

0.本质

本质是不同resample，提高样本质量的过程。

1. 提出的背景

普通的二阶段，我们知道在ROIHead也就是Prososal Target Layer代码生成roi的时候，是在上层nms之后得到的2000个里面，按照IOU 0.5的阈值，生成正（32）负样本（96），而对于回归来说只是回归前景对应的全连接层。【单一阈值的回归样本质量】

实验发现不同的IOU阈值训练的模型，对于输入的时候不同IOU的ROI，有着不同的回归定位能力。

 

2. 作者的实验

1.如何改进

分析实验，0.5的阈值，对于IOU等于0.5的那些，回归能力更好，0.6的阈值，对于IOU等于0.6那些，回归能力更好。

最后分别设置0.5 0.6 0.7的阈值，然后级联。（下面的H就是ROIHead，所以可以说是一个RPN后面，级联了三个ROIHead）

2.改进的必要性的证明

实验表明，这样的级联结构，在第三阶段的时候，高IOU的样本占比会明显增强。

3.训练和测试

对于训练和测试阶段，均在用级联的这种设置。

3.我的改进

针对高分类的框并不一定定位准！

1.在一些比赛的中，有人不是直接利用NMS之后的结果，而是将NMS之后的结果，和这个框附近的比较的高IOU的框，进行平均，因为高分类的框并不一定定位准！

2. IOUNet 改进，在cascade rcnn中就已经说明了，级联的越多并不一定会更好，回归的过程有可能把好的样本给剔除掉了，在IOUNet中得到了很好的可视化效果。其实是明明是回归，却用的分类的指标进行NMS。在该文中提出的IOUScore的方式。将分类的最高分数给IOU最好的框，替换。

3. 加入像resnet论文中提到的contextual roi pooling'

4. PANet中，修改FPN的ROIpooling一样，并不是对应到哪一层就用哪一层的特征，而是都用！

4.搞源码过程收获

Cascade RCNN中的FPN进行了改进，可以很好的利用了邻接的context信息。

和FPN的图中定义类似，我们把最后要输入RPN的层定义为P层，之前的为基本层经过1*1的全卷积后改变通道数后的层定义为C层。那么比如说P3层的形成，它就是由P3=C5上采样上采样+C4上采样+C3+C2下采样然后3*3卷积去混叠

这里的下采样选用了反卷积的操作。

与传统的FPN不同，传统的是P3并没有C2直接传给的信息，而间接传上来的信息，数据分布已经变了，丢失了很多信息。