【论文笔记】：Cascade R-CNN: Delving into High Quality Object Detection

最新推荐文章于 2022-04-20 20:04:20 发布
最新推荐文章于 2022-04-20 20:04:20 发布
阅读量831 收藏 1
点赞数 1
分类专栏： # 其他 文章标签： Cascade R-CNN 目标检测 级联
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41375609/article/details/96871118
版权
Cascade R-CNN通过级联的R-CNN网络解决目标检测中IoU阈值选取问题，每个级联网络设置不同IoU阈值，逐步提升检测框的准确性。研究发现，提高阈值可能导致过拟合和训练样本减少，但多次回归能优化bbox质量，实现精度提升。
摘要由CSDN通过智能技术生成

&Title:

&Summary

本篇文章主要解决了在目标检测中，检测框不是特别准，容易出现噪声干扰的问题，即close false positive，为什么会有这个问题呢？

作者实验发现，因为在基于anchor的检测方法中，我们一般会设置训练的正负样本（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<0.3作为负样本等，但是这样就带来了一个问题，阈值取0.5是最好的吗？
作者通过实验发现，

  • 设置不同阈值，阈值越高，其网络对准确度较高的候选框的作用效果越好。
  • 不论阈值设置多少，训练后的网络对输入的proposal都有一定的优化作用。

基于这两点，作者设计了Cascade R-CNN网络，如下面图Figure3(d)所示，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。

一句话总结就是：Cascade R-CNN就是使用不同的IOU阈值，训练了多个级联的检测器。
在这里插入图片描述

&Research Objective

本文主要针对的是检测问题中的IoU阈值选取问题

&Problem Statement

目标检测其实主要干的就是两件事，一是对目标分类，二是标出目标位置。所以，为了实现这两个目标，在训练的时候，我们一般会首先提取候选proposal，然后对proposal进行分类，并且将proposal回归到与其对应的groud truth上面&

最低0.47元/天 解锁文章
Activewaste
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
目标检测：Cascade R-CNN: Delving into High Quality Object Detection - 2017【方法解读】
sinat_39783664的博客
08-26 118
“目标检测Cascade R-CNN(2017)” 方法部分解读
论文阅读瞎记(四) Cascade R-CNN: Delving into High Quality Object Detection 2017
Pleadge的博客
03-22 3234
概述 在物体检测中1，IOU阈值被用于判定正负样本。在低IOU阈值比如0.5的状态下训练模型经常产生噪音预测，然而检测效果会随着IOU增加而降低。两个主要因素：1.训练时的过拟合，正样本指数消失 2.inference-time mismatch between the IoUs for which the detector is optimal and those of the input hypotheses.（后处理的问题？）一个单阶段的物体检测器CascadeR-CNN被提出用于解决这些问题。网络
[论文阅读]Cascade RCNN|Cascade R-CNN: Delving into High Quality Object Detection
一碗白开水一
08-11 354
题目：Cascade R-CNN: Delving into High Quality Object Detection 作者：Zhaowei Cai ； Nuno Vasconcelos Motivation: 作者认为在目标检测过程中，决定正负样本的IOU通常会产生检测噪声，随着IOU增加，效果却变差。作者认为是由于1）单纯提高了IoU阈值，满足这个阈值条件的proposals必然比之前少了，IOU增加，正样本数量少，容易导致过拟合，导致检测效果变差。2）在inference阶段，proposal与训练
Cascade R-CNN: Delving into High Quality Object Detection
椰子奶糖的博客
08-22 380
Cascade R-CNN: Delving into High Quality Object Detection 文章目录Cascade R-CNN: Delving into High Quality Object Detection参考提出问题：Detection Qualitynew Idea相似结构对比：Iterative BBox&Integral LossFaster RCNN中的做法Iterative BBox中的做法Intergal Loss中的做法总之 参考 Cascade R
cascade rcnn:delving into high quality object detection
liguandong
12-14 2526
轻松掌握 MMDetection 中常用算法(五)：Cascade R-CNN - 知乎文@ 0000070 摘要本篇主要介绍目前主流常用的高性能目标检测算法中最广为人知的算法之一 Cascade R-CNN。Cascade R-CNN 来自论文 Cascade R-CNN: High Quality Object Detection and Instance Segmentation，主要 …https://zhuanlan.zhihu.com/p/360952172Cascade RCNN算法笔记_AI
Cascade R-CNN：Delving into HIgh Quality Object Detection
xh_hit的博客
09-18 426
本篇是2018CVPR收录的关于物体检测的文章，作者仔细分析目前物体检测框架中Iou阈值的选取对于物体定位精度和整体训练的影响。 Iou阈值直接影响训练阶段正负样本的划分，threshold太高，如0.7，正样本的质量越高，但是正样本的数量会急剧减少，加剧正负样本的不平衡，训练容易过拟合；threshold太低，如0.5，正样本的数量会增加，但是正样本的质量下降，容易产生false positi...
two-stage-anchor-based-faster-rcnn进阶 Cascade R-CNN: Delving into High Quality Object Detection
lovep1的博客
02-16 516
cascade rcnn：是基于faster rcnn的一种改进，我的理解是这个算法更趋近于stage by stage的算法，利用不同的IOU阈值选取，将多级目标检测器进行级联，进一步的优化检测结果，这个算法应该是各个比赛刷榜的主要算法了，不出意是速度奇慢，但在two-stage里面，我觉得相当具有代表性。 文章出发点： 1、IOU=0.5（此处IOU指的是正负样本的界定值）时会出现较多的误检，应为0.5时正样本会引入更多的背景 2、但一味的提高iou并不一定是好事，阈值越小，对应...
【论文】Cascade R-CNN: Delving into High Quality Object Detection
梦想是要有的，万一实现了呢！
04-19 650
论文地址：https://arxiv.org/abs/1712.00726v1https://arxiv.org/abs/1712.00726v1 Cascade R - CNN：深入研究高质量目标检测 紫色：要解决的问题或发现的问题 红色：重点内容 棕色：关联知识，名称 绿色：了解内容，说明内容 摘要 在对象检测中，需要通过联合（IoU）阈值来定义正负。用低 IoU 阈值训练的对象检测器，例如0.5，通常会产生噪声检测。然而，检测性能往往会随着 Io U 阈值的增加而下降。造成这种情况的主要
《Cascade R-CNN: Delving into High Quality Object Detection》论文笔记
m_buddy的博客
03-04 1914
1. 概述 在目标检测任务中通常使用IOU阈值来区分正负例，在检测任务中将阈值设置为0.5会带来检测噪声。但是检测的性能表现会随着IOU阈值的增加而变差，其主要源自于两个原因： 1）提高网络的IOU阈值，会导致训练时由于正样本指数消失，从而导致网络过拟合； 2）预测阶段，检测器最优IOU与假设的IOU不匹配会导致检测的性能下降，这个结合本文网络的多阶段特点，在不同的阶段使用的是不同的IOU阈值，在...
[3] Cascade R-CNN: Delving into High Quality Object Detection【Object Detection番外】
zxrc的博客
04-20 1266
Cascade R-CNN: Delving into High Quality Object Detection【Object Detection番外】 3.1 摘要 总结目标检测模型的典型问题，训练中使用小的IOU阈值会产生大量的噪声，使用大的IOU阈值则会导致模型性能大幅下降。两个原因： （1）指数级丢失正样本导致模型过拟合（大IOU阈值） （2）propose的IOU阈值与prediction detector的阈值不一致（搭配不一致，并不是值相等）导致性能下降 对以上两点，知乎有作者给出了较为详细
Cascade R-CNN: Delving into High Quality Object Detection 论文笔记
？？？的博客
07-28 1511
Cascade R-CNN: Delving into High Quality Object Detection 论文链接：https://arxiv.org/pdf/1712.00726.pdf 该论文是CVPR2018的一篇论文，作者通过分析训练时采用的IOU阈值与实际输入的proposal与groundtruth之间的IOU的关系，得出结论：某一固定的训练IOU阈值只能较好的检测与其具...
目标检测 | 经典算法 Cascade R-CNN: Delving into High Quality Object Detection
晓飞的算法工程笔记
01-06 391
作者从detector的overfitting at training/quality mismatch at inference问题入手，提出了基于multi-stage的Cascade R-CNN，该网络结构清晰，效果显著，并且能简单移植到其它detector中，带来2-4%的性能提升 论文: Cascade R-CNN: Delving into High Quality Object ...
Cascade R-CNN: Delving into High Quality Object Detection（个人学习笔记）
认真努力，做一只会飞的毛毛虫。
09-25 4617
论文基本信息 标题：Cascade R-CNN: Delving into High Quality Object Detection 作者：Zhaowei Cai，Nuno Vasconcelos 机构：UC San Diego 来源：CVPR2018 时间：2017/12/03 链接：https://arxiv.org/abs/1712.00726 代码： https://github.com/zhaoweicai/cascade-rcnn（official code） https://papersw
论文：Cascade R-CNN: Delving into High Quality Object Detection 阅读笔记
Stay hungry, Stay foolish
05-25 241
一、论文 Cascade R-CNN: Delving into High Quality Object Detection https://arxiv.org/abs/1712.00726 https://github.com/zhaoweicai/cascade-rcnn 二、论文笔记 1、背景 a)、阈值设的太小，正负样本比例失衡，负样本太多，使得检测器对于有较大的阈值的错误框...
【论文翻译】Cascade R-CNN: Delving into High Quality Object Detection
孙永杰的博客
03-18 2793
Cascade R-CNN: Delving into High Quality Object Detection 摘要 在目标检测中，需要一个intersection over union(IOU)阈值来定义正负图像。用较低IOU阈值(例如0.5)训练的对象检测器通常会产生噪声检测。然而，检测性能往往又会随着IoU阈值的提高而下降。造成这种原因的因素有两个：1）由于正样本呈指数级减少导致训练过拟合，2）在推断时，检测j器的最佳IoU与输入假设的IoU不匹配。针对这些问题，我们提出了一种多级目标检测结构Ca
【目标检测】Cascade R-CNN: Delving into High Quality Object Detection论文理解
qq_36926037的博客
04-17 944
文章目录摘要1 介绍2 相关工作3 目标检测3.1 边界框回归3.2 分类3.3 检测质量4 Cascade R-CNN4.1 级联边界框回归4.2 级联检测5 实验结果5.1 实现细节5.1.1 baseline网络5.2 质量不匹配5.3 与迭代BBox和Integral损失的比较5.4 消融实验5.5 与最先进检测器的比较5.6 泛化能力6 结论 摘要   在目标检测中，需要一个交并比(IoU)阈值来定义正和负样本。用较低的IoU阈值(如0.5)训练的目标检测器通常会产生噪声检测。然而，检测性能往往会
【译】Cascade R-CNN：Delving into High Quality Object Detection论文翻译
qq_27725245的博客
04-11 1474
CVPR 2018年论文：Cascade R-CNN论文地址：https://arxiv.org/abs/1712.00726----------------------------------------------------------------------------------------------------博主也是正在看这篇论文，实时翻译上传。看完后会有总结文章。--------...
Cascade R-CNN
最新发布
03-29
Cascade R-CNN is an object detection model that is an extension of the popular Region-based Convolutional Neural Network (R-CNN) model. The Cascade R-CNN model improves upon the R-CNN model by using a cascade of multiple stages of detectors that refine the detection results at each stage. In the first stage of the Cascade R-CNN model, a relatively fast and less accurate detector is used to reject a large number of non-object regions. In the second stage, a more accurate detector is used to further reject non-object regions while detecting most of the true object regions. In the third stage, the most accurate detector is used to detect the remaining difficult object regions. The Cascade R-CNN model has been shown to achieve state-of-the-art performance on various object detection benchmarks, such as COCO and PASCAL VOC. It is widely used in applications such as autonomous driving, surveillance, and robotics.
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值