CVPR 2018年論文：Cascade R-CNN

----------------------------------------------------------------------------------------------------

博主也是正在看這篇論文，實時翻譯上傳。

看完後會有總結文章。

-----------------------------------------------------------------------------------------------------

級聯R-CNN：深入高品質目標檢測

摘要

在目標檢測中，IOU臨界值用來定義正樣本和負樣本。一個目標檢測器，由低的IOU臨界值比如0.5來訓練，經常會產生noisy檢測結果。然而，隨著增加IOU臨界值，檢測的效果就會下降。主要是有與兩個因素：

1） 訓練過程中的overfitting，由於正樣本的指數消失

2） 檢測器最優的IoU與輸入假設的IoU之間的inference-timemismatch。

一個多階段的目標檢測結構，級聯R-CNN被提出來解決這些問題。它由一系列隨著IOU臨界值增加而訓練的檢測器構成，從而對close false positives更具有選擇性。檢測器逐階段訓練，利用檢測器的輸出是一個好的分佈來訓練下一個更好品質的檢測器。對逐漸改進的假設進行重取樣來保證所有的檢測器由一組同等大小的正樣本，從而來減少過擬合問題。在inference應用同樣的級聯程式，使得每一個階段的假設和檢測器質量有一個更近的匹配。級聯R-CNN的一個簡單實現超過了在COCO資料集挑戰上的所有single-model目標檢測器。實驗也展示了級聯R-CNN能廣泛應用於不同的檢測其結構，獲得與基礎檢測器強度無關的一致增益。

簡介