Cascade RCNN：Delving into High Quality Object Detection 论文阅读笔记

2019年看论文时，自己对论文的理解的一个总结。

1.动机

1.问题：IoU增加，检测性能反而下降
2.原因：①过拟合；②最优IoU与假设IoU不匹配
3.解决：级联R-CNN
4.基础：RCNN两步检测模型(two stage detector)

2.问题提出

two-stage目标检测可以分成 分类+定位两部步：
回顾Faster RCNN中：

3.Cascade RCNN 网络

3.1思路：使用上一阶段的输出训练下一阶段。从图1©观察，输入一些样本到回归器，通常可以得到IoU更高的输出。经过一阶段的训练，正样本的IoU会更高，可以用于下一阶段的训练，且不会造成样本不均的问题。这类似于bootstrapping，但与其进行hard negatives挖掘不同的是，Cascade RCNN旨在调整正样本的bbox，找到近似负样本的正样本用于下一阶段的训练。

3.2贡献点：
1.提出了IoU-Net来学会预测检测框和gt之间的IoU。
2.提出IoU引导的NMS。
3.提出一种基于优化的边界框微调方法。
3.3方案：
定位损失：

分类损失：

4.实验方法和结果

5.注…

一、其他目标检测方法
1.两步法
Faster RCNN，R-FCN，FPN，MS-CNN
2.单步法
Yolo，SSD，RetinaNet(Focal Loss)
3.多步法
AttractioNet.
二、bootstrapping
利用有限的样本资料经由多次重复抽样，重新建立起足以代表母体样本分布的新样本。bootstrapping的运用基于很多统计学假设，因此采样的准确性会影响假设的成立与否。