cascade R-CNN

最新推荐文章于 2022-12-15 21:23:01 发布

史小玮

最新推荐文章于 2022-12-15 21:23:01 发布

阅读量552

点赞数

文章标签：级联R -CNN

本文链接：https://blog.csdn.net/weixin_43430736/article/details/94404543

版权

级联R-CNN为了解决目标检测中IOU阈值选取问题而提出，通过一系列IOU逐渐增大的检测器，逐步提高提案的准确性。在保证样本数量的同时训练高质量检测器，从而提高性能。文章介绍了级联R-CNN的出现原因、解决方法及其带来的性能提升。

摘要由CSDN通过智能技术生成

级联R-CNN出现原因

论文链接：https://arxiv.org/abs/1712.00726
上文针对目标检测中IOU阈值选取问题。一味增大阈值，使得样本减少。容易导致过拟合。且train和inference阶段的阈值不同导致更严重的mismatch.
回顾faster R-CNN：
train阶段：将整张图片喂入conv-relu-pooling得到整各特征图,再RPN选取2000个proposals,通过softmax判断锚点(anchors (目标框))判断是否为前景(是否有物体)，边界框回归筛选精确proposals，proposals（128个）被送入到Roi Pooling，提取目标区域的特征图，最后进行类别分类和box回归（判断是什么物体）
softmax 一次性分类多个物体。等价于多个SVM
faster R-CNN
inference阶段：RPN选取300左右proposals，送入fast R-CNN,和train阶段不同的是：无法确定gt,导致无法筛选proposals,全部送入Roi-Pooling
IoU:指真实框和预测框的关联度。由proposal和gt确定IOU。
inference：指test阶段或者predict阶段。
mismatch :training阶段的输入proposals质量更高(被采样过，IoU>threshold)，inference阶段的输入proposals质量相对较差.导致