cascade相关笔记

动机：在检测任务中，区分正负样本的IOU阈值是一个很难确定的超参数，设的高了候选框的质量会较高，但是正样本数量过少 ，会导致过拟合以及正负样本不均衡的问题。如果设的低了，样本会很多样性，但是候选框的质量则不会得到太大的提高。因此总结出一个single classifier 很难满足所有levels的候选框的需求。

迭代BBox是用于改进边界框的后处理过程，但是级联回归是一种重新采样过程，它改变了不同阶段要处理的候选框的分布。

一个关键的点：迭代器的质量与候选框的质量之间 如果存在mismatch的话，会影响其性能，迭代器的质量与候选框的质量之间越靠近，性能越好。

与单纯的重复迭代BBOX比较，如果是单纯的重复迭代，比如参数都是0.5重复三次，这样候选框的质量反而会变差，因为质量差的迭代器对于质量好的候选框并没有太大的作用，有时候反而还会有抑制作用（候选框iou 0.85以上）

对于传统的RCNN，低性能可以得到提升，但是高质量框并没有得到明显的提升，因此对于用cascade和不用cascade来说，主要提升的是高质量候选框的性能。