2020-4-27：Cascade R-CNN与多尺度训练/测试与FPN（区别）

Cascade R-CNN：

一般正常的检测器是用0.5的IOU阈值（用于提出正负样本）训练，但如果提高IOU阈值会降低检测器的表现。这有两个原因：（1）当训练时，高IOU阈值会减少提出的正样本，引发exponentially vanishing positive samples问题，使得模型过拟合。（2）在inference阶段，输入的IOU与输出的IOU不匹配也会导致精度的下降。注：其中的输入IOU是RPN输出proposal的IOU（控制正负样本），输出IOU是proposal经过bbox classification时的IOU（判断是否为正例）。而Cascade R-CNN先用iou=0.5训练RPN，然后再级联不同的检测器（IOU=0.5,0,6,0.7），H1预测结果框将被输入给下一个H2进行训练，依次后推此过程。再输入给下一个检测器前，输出结果会被normalization（即减去平均值再除方差），这样就能保证不同阶段下的目标框分布能保持稳定的一致性。从小IOU到大IOU避免了过拟合，而且normalization使得输入IOU与输出IOU有个较好的匹配。，所以它能产生更高的精度，很多选手也喜欢用它。

 

多尺度训练/测试与FPN（区别）：

（1）多尺度训练/测试：https://www.pianshen.com/article/51191055549/

（2）FPN：在不同尺度的特征图上进行检测