coco数据集目标检测论文_当前目标检测在coco数据集上准确率最高的模型是哪一个？...

Cascade R-CNN

⛳️⛳️⛳️今年6月份的改进版本的《Cascade R-CNN: High Quality Object Detection and Instance Segmentation》，可以单模型在 COCO test-dev 达到 50.9的-AP。Cascade R-CNNCascade R-CNN指标论文地址：https://arxiv.org/pdf/1906.09756.pdf​arxiv.org开源代码(官方Caffe)：zhaoweicai/cascade-rcnn​github.com开源代码(非官方Pytorch):zhaoweicai/Detectron-Cascade-RCNN​github.com

创新思想

背景：问题： 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。An object detector, trained with low IoU threshold, e.g. 0.5, usually produces noisy detections原因：

✔️ 一般在目标检测中，通过IOU来设置正负样本，即IOU>0.5的作为正样本，IOU<0.3作为负样本。

A. IoU阈值选取的越高，则得到的正样本更接近目标，因此训练出的检测器定位更加精准，但是一味提高IoU阈值会引发两个问题：正样本过少导致训练的过拟合问题；

训练和测试使用不一样的阈值导致评估性能的下降；

B. IoU阈值选取的越低，得到的正样本更为丰富，有利于检测器的训练，但势必会导致测试时出现大量的虚检，也即论文中提到的“close but not correct”；

C. 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。

✔️ 因此，作者提出了Cascade R-CNN 结构来解决这个问题，同时提高检测性能。

Cascade结构级联结构一共是4个stages: 1个RPN+3个detector(IoU阈值设定分别为0.5，0.6，0.7)。级联结构

其中：H0 --> RPN网络

H1 --> Faster R-CNN 进行检测与分类的head

Ci --> 分类结果

Bi --> bounding box回归结果PS: 级联的方式，不再是为了找到hard negatives，而是通过调整bounding boxes，给下一阶段找到一个IoU更高的正样本来训练。