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。