background
任务:通过调整iou确定positive和negative的比例与proposals的质量的关系,提升模型的效果
关键词:Cascade
Introduction
传统的proposals的positive和negative的比例,受到iou的阈值的影响,如果阈值比较低,会导致产生的边框有很多的噪音,产生很多冗杂的边框,如果iou的阈值比较高,会导致positive与negative的比例失衡,导致训练过拟合,而且产生的模型的效果不佳
输入iou与阈值的关系
如上图,输入proposal的iou与输出的proposal的iou的关系,输入的iou与阈值相近时,提升的iou比较明显。本文的作者想利用多个iou的阈值,产生高质量的proposal。
方案选择
上图中的(a)就是传统的边框生成策略,也是目前遇到的一些问题
Iterative BBox at inference
上图是通过(b)策略生成的targets的分布图,可见随着深入,红色的分离点的数目正在增加,而且因为iou的阈值没有发生改变,所以,没有达到高质量proposal的目的,而且使得高于0.85iou的边框数目减小
Integral Loss
©中虽然结合了不同的iou的阈值,但是没有解决高质量的proposals与negative的比例不平衡的关系
Model
整体结构
作者结合了(b)和(c)的优点。提出了(d)的结构
上图反映了随着深度的进行,不同iou的proposals的占比
损失函数
上面反映的是每此上一层的proposal的输出,是下一层的输入
损失函数与faster rcnn相似,不过每次输入下一层时,都要做一次损失函数
Experiments
Learn from paper
通过迭代,生成了高质量的proposal而且避免了因positive与negative比例严重失衡导致的问题