论文：Cascade RCNN

Abstract:

目标检测领域，IoU 被用来定义 positives 和 negatives，当一个detector使用 0.5的IoU时，会产生nosiy detections，但是当提高IoU时，检测的表现又会变差。造成变差的主要原因有两点，一是训练时因为positive samples 的减少而造成的overfitting，另一个是inference时的IoU和训练时IoU的不匹配问题。Cascade RCNN可以解决以上两个问题，通过逐步提高IoU的级联detectors来克服假阳性的例子。证明了一个detector的输出分布对训练更高质量的detector是有益的。因为inference 和训练过程使用相同的级联结构， 所以在每一个stage有一个比较好的match。

Introduction:

目标检测需要解决两个问题，一个是recognition，一个是localization。这两种问题都十分困难，因为detector要处理很多close false positives(close but not correct)。在 two-stage 的 R-CNN的detector中需要使用IoU来定义 positives/negatives，通常情况下会使用 0.5 的值，这样会放松对正例的限制，产生很多nosigy bounding box，detector将不会很好的分辨出假阳性例子。

基于单个detector只会对单个quality level 是最优的知识，来进行高精度检测任务的优化。

我们定义了一个IoU质量，如下图所示：