论文:Cascade R-CNN: Delving into High Quality Object Detection 阅读笔记

一、论文

Cascade R-CNN: Delving into High Quality Object Detection 

https://arxiv.org/abs/1712.00726

https://github.com/zhaoweicai/cascade-rcnn

二、论文笔记

1、背景

a)、阈值设的太小,正负样本比例失衡,负样本太多,使得检测器对于有较大的阈值的错误框检测不够灵敏。

b)、阈值设的太大,数据量少导致检测器性能下降,以及过拟合。

 

2、想法

使用一个多阶段的R-CNN(基于两阶段的Faster-RCNN),使用前面阶段的模型的输出训练下一个模型,因为每个模型的输出的iou总是好过它输入的iou

3、细节 R-CNN中回归损失使用的是 L2函数,到Fast- RCNN中使用的是smoothed L1 

论文:Cascade R-CNN: Delving into High Quality Object Detection 阅读笔记_第1张图片

相当于是在小于1的部分使用2范数(更smooth,且求导方便),在大于1的部分使用1范数(避免梯度爆炸,同时减少outlier(离群点)的影响),一些离群点的如果使用L2的话,损失会很大,同时,对于远离真实值得输出,如果使用L2的话,稍微有一点偏差那么损失是平方级的。

 

4、模型结构

最后一个,也就是使用了多个级联的head(每个级别使用了不同的iou阈值,且不断升高)

b的结构是使用了想同的头也就是,共享参数?

论文:Cascade R-CNN: Delving into High Quality Object Detection 阅读笔记_第2张图片

5、处理流程

论文:Cascade R-CNN: Delving into High Quality Object Detection 阅读笔记_第3张图片

你可能感兴趣的:(深度学习,笔记,物体检测)