Cascade R-CNN网络解析

Cascade R-CNN网络解析

  • 效果
  • 创新点
  • 网络结构
  • 阶段数量的影响

效果

基于FPN+和ResNet-101的Cascade R-CNN在COCO上与最先进的单级模型比较如下:
Cascade R-CNN网络解析_第1张图片

创新点

该网络提出如下创新点:
1.随着IOU阈值的增加,检测性能趋于下降,这是因为正样本的数量呈指数减低,导致了训练的过拟合;
2.提出一种级联R-CNN,它由一系列随着IOU阈值的提高而训练的检测器组成;
3.如果输入IOU与设置的阈值接近,则这个模型的检测效果会比输入其他IOU的模型好。

网络结构

该网络通过设计级联的R-CNN网络,每个级联的R-CNN设置不同的IOU阈值,这样每个网络输出的准确度提升一点,并作为下一个更高精度的网络的输入,逐步提升了网络输出的准确度。
Cascade R-CNN网络解析_第2张图片
对于三级网络来说,Cascade R-CNN网络有四个阶段,一个RPN和三个检测IOU={0.5,0.6,0.7}。

阶段数量的影响

下表总结了阶段数的影响:
Cascade R-CNN网络解析_第3张图片
从表中可以看出,增加第二级明显提升了精度。AP50代表IOU为0.5,AP60代表IOU为0.6……,增加第四个阶段导致AP有轻微的下降。但是对于但对于高IOU级别的AP90,四阶段级联具有最佳的性能,三级级联实现了最佳的权衡。

你可能感兴趣的:(深度学习)