Cascade R-CNN：Delving into HIgh Quality Object Detection

最新推荐文章于 2024-05-15 09:53:23 发布
最新推荐文章于 2024-05-15 09:53:23 发布
阅读量415 收藏
点赞数
分类专栏： 深度学习论文解析 文章标签： cascade-RCNN 物体检测 深度学习 IOU
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/xh_hit/article/details/82765088
版权

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 positive。具体影响如下图所示：

(c)图横轴是输入的proposal的IoU，纵轴是经过bbox reg之后的bbox和ground-truth的IoU。可以看到，低IoU threshold对于低IoU的样本有更好的改善，但是对于高IoU的样本就不如高threshold的有用，即一个固定的IoU阈值只能对同等大小的输入IoU回归效果明显。原因在于不同threshold下样本的分布会不一致，也就导致同一个threshold很难对所有样本都有效。(d)图则表明网络的的检测效果并不随Iou阈值的变化单调地变化。

但是通过(c)图可以发现，选取不同阈值，回归过后的Iou基本上都能有所上升。因此作者提出的级联式的框架，将上一步inference得到的bbox采用更高的Iou阈值在进行训练。如下图(d)所示：

（d）展示的就是本文Cascade R-CNN的基本框架；(a)就是经典的Faster R-CNN框架，也是本文的baseline；（b）结构上和Cascade R-CNN非常相似，区别在于只在测试时采用级联结构对Box多次回归，因此ROI检测网络部分“H1”结构是相同的，也即训练时还是采用的单一的IoU阈值；（c）则是在ROI检测网络部分并联多个检测器，并没有对位置进行迭代更新。

最终作者选用的级联结构共有4个stages， IoU阈值分别设定为递进的0.5/0.6/0.7，大于该阈值的选为正样本，其余均为负样本，进行训练。并实验证明了过多的stage是没必要的，其中第2个stage的提升最为明显。

正午之阳
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度学习之 Cascade R-CNN
fenglepeng的博客
10-28 4125
Zhaowei Cai, Nuno Vasconcelos. 《Cascade R-CNN: Delving into High Quality Object Detection》. CVPR 2018. 论文链接：https://arxiv.org/abs/1712.00726 代码链接：https://github.com/zhaoweicai/cascade-rcnn 前言 IOU阈值被用来定义正负例，当使用一个较低的IOU阈值训练object detector, 通常会导致noisy detec.
Cascade R-CNN解析
08-03 2966
在目标检测中，需要通过IoU (intersection over union)阈值来定义正负。用低IoU阈值(例如0.5)训练的目标检测器通常会产生噪声检测。但是，随着IoU阈值的增加，检测性能趋于下降。产生这个问题主要有两个原因： 1、随着网络训练的深入，正样本迅速减少导致过拟合； 2、训练和推理使用不同的IOU阈值很容易出现检测问题。 为了解决IOU阈值设置的问题，作者提出适用于多阶段目标检测结构模型的：Cascade R-CNN用来解决这些问题。它由一系列的检测器来...
探索高质量目标检测：Cascade R-CNN 深入解析
最新发布
gitblog_00008的博客
05-15 287
探索高质量目标检测：Cascade R-CNN 深入解析 项目地址:https://gitcode.com/zhaoweicai/cascade-rcnn 由 Zhaowei Cai 和 Nuno Vasconcelos 联合开发的 Cascade R-CNN 是一款面向深度学习的高级目标检测框架，它在 MS-COCO 和 PASCAL VOC 数据集上展现出卓越性能。这个开源项目以 C++ 编写...
Cascade R-CNN: Delving into High Quality Object Detection
breeze_blows的博客
12-05 457
CVPR2018的文章，通过改进two stage的目标检测算法，采用不同stage，不同iou阈值，上一个stage的输出proposals作为下一stage的输出进行训练，提升了算法的性能。 文章链接：https://arxiv.org/abs/1712.00726 1.motivation: 从(a)中可以看出当IOU设置为0.5（这里的iou表示的是用RPN选出2000个reg...
cascade rcnn:delving into high quality object detection
liguandong
12-14 2515
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
PAMI19 - 强大的级联RCNN架构《Cascade R-CNN: High Quality Object Detection and Instance Segmentation》
要相信光
12-23 2842
Cascade RCNN 级联的RCNN架构 论文分析与解读
IoU-Uniform-R-CNN:纸张代码
04-16
IoU统一R-CNN 该存储库提供了纸质的代码 该项目基于框架。 设置 请遵循官方和指南。 训练 ./tools/dist_train.sh ${CONFIG_FILE} ${GPU_NUM} [--validate] [other_optional_args]注意： IoU统一R-CNN的配置文件： ...
cascade r-cnn paper
12-03
In object detection, an intersection over union (IoU) threshold is required to define positives and negatives. An object detector, trained with low IoU threshold, e.g. 0.5, usually produces noisy ...
cascade-rcnn:多种流行对象检测框架的Caffe实现
05-11
该存储库在MS-COCO和PASCAL VOC数据集上实现了多种流行的对象检测算法，包括Faster R-CNN，R-FCN，FPN和我们最近提出的Cascade R-CNN。 骨干网有多种选择，包括AlexNet，VGG-Net和ResNet。 它是用C ++编写的，并由...
基于kinova机器人搭建实际抓取环境；采用级联网络Cascade R-CNN提取特征
11-18
一、针对机器人多物体抓取检测研究问题，选用Cascade R-CNN为基础网络框架，Cascade R-CNN是通用目标检测中表现较好的一种级联算法，其特点是速度快，检测精度高。 二、首先构建一个由三十二类对象组成的多目标抓取...
A-Convolutional-Neural-Network-Cascade-for-Face-Detection:TensorFlow实现“用于面部检测的卷积神经网络级联”，CVPR 2015
05-17
用于人脸检测的卷积神经网络级联 此回购是TensorFlow中重新实现。 开始 准备资料 下载AFLW数据集（正）和COCO数据集（负）进行训练。 可以使用任何其他数据集代替负数的COCO数据集。 下载FDDB数据集进行测试。...
【目标检测系列：七】Cascade R-CNN: High Quality Object Detection and Instance Segmentation
鹿鹿的博客
09-23 2080
2018 CVPR Cascade R-CNN: Delving Into High Quality Object Detection Cascade R-CNN: High Quality Object Detection and Instance Segmentation High Quality Object Detection and Instance SegmentationIntrod...
Face Paper：Cascade R-CNN: Delving into High Quality Object Detection解读
BigCowPeking
04-20 4770
论文链接：https://arxiv.org/abs/1712.00726  代码链接：https://github.com/zhaoweicai/cascade-rcnn  目标检测真的没东西可做了吗？已经开始关注IOU的最优选择了，不过小的trick，确实提升效果也很显著； 今天给大家介绍一篇个人觉得对detection非常有insight的一篇文章："Cascade R-CNN: Del...
[3] Cascade R-CNN: Delving into High Quality Object Detection【Object Detection番外】
zxrc的博客
04-20 1252
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 RCNN算法笔记
热门推荐
AI之路
06-06 6万+
论文：Cascade R-CNN Delving into High Quality Object Detection 论文链接：https://arxiv.org/abs/1712.00726 代码链接：https://github.com/zhaoweicai/cascade-rcnn Cascade R-CNN算法是CVPR2018的文章，通过级联几个检测网络达到不断优化预测结果的目的...
CascadeCNN人脸检测学习笔记
XZZPPP的博客
06-16 1万+
原文：A Convolutional Neural Network Cascade for Face Detection 1、简介     CascadeCNN是对经典的Viola jones方法的深度卷积网络实现，是一种检测速度较快的人脸检测方法。使用VGA图片，在CPU上达到14FPS，GPU上达到100FPS，在FDDB上达到85.1%的召回率和87%的准确率。 2、总体框
cascade rcnn
weixin_34315189的博客
08-20 406
    在region proposal阶段采用不同的iou。 第一幅图，不同颜色的线是用不同的region proposal的iou阈值，横坐标是region proposal生成的框与gt的原始iou，纵坐标是未经过训练的框经过bounding box regression后生成的新框与gt的iou，发现0.5的iou阈值对0.5的的提升更好，0.6的对0.6到0.75的好，0.7对0.75...
链表创建与翻转
xh_hit的博客
08-18 194
#include<iostream> using namespace std; typedef struct ListNode { int val; struct ListNode *next; ListNode(int x) : val(x), next(NULL) {} } ListNode, *LinkList; class Solution { public: L...
tensorrt 分割_使用mmdetection2.0实现SOLOV2全新的实例分割框架
weixin_30714077的博客
01-04 1483
笔者近日在做一些实例分割到tensorrt的操作，发现，对于许多二阶段的实例分割算法，转换到另一个推理平台很麻烦，主要是这里面存在RPN的一些操作，即便是类似于CenterMask这样的模型，也需要先获取box，然后经过ROIAlign和ROIPool来得到需要的mask，这个过程不仅计算繁琐，而且很难导出到我们想要的模型格式，比如ONNX就不支持这里面的很多op。当我看到这张图的时候，...
Cascade Mask R-CNN的原文
09-07
Cascade Mask R-CNN的原文标题为"Cascade R-CNN: Delving into High Quality Object Detection"，由Zhaowei Cai、Qijie Zhao、Yi Li和Jianping Shi于2018年在IEEE Conference on Computer Vision and Pattern ...
评论
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