【目标检测】Casecade R-CNN论文讲解（超详细版本）

论文讲解已经整理成word版本发布，作品源地址为：

https://mbd.pub/o/bread/Y56Tmp1x

下面是展示的部分数据！

一、背景

从文章的题目上我们就可以看出这篇文章的目标是提高检测质量，希望能获得更精确的检测结果。文章提出的cascade结构的效果是惊艳的，几乎对于任意的R-CNN（Faster RCNN，FPN，R-FCN等）都可以带来 到 个点的AP提升。

Object Detection需要找到true positives，同时抑制大量的close false positives。训练detector时需要使用IoU阈值 来定义positive和negative。

二、简单回顾R-CNN结构

以经典的Faster RCNN为例。整个网络可以分为两个阶段，training阶段和inference阶段，如下图所示：

2.1 Training阶段

2.2 Inference阶段

三、论文摘要

四、介绍

目标检测是一个复杂的问题，需要解决两个主要的任务：

• 首先，检测器必须解决识别问题，区别前景目标和背景目标，并为其分配匹配的类别标签；
• 其次，检测器必须解决定位问题，为不同的目标分配精确的bounding box。

许多目标检测器都是基于两阶段网络框架Faster R-CNN的。两阶段检测网络是一个多任务学习问题，包括目标的分类和边界框回归。

与物体识别不同的是，定义正/负样本需要一个IoU阈值。通常使用的IoU阈值为0.5 ， 0.5对IoU的设置是相当低的。检测的目标经常包括很多噪声。

五、关于mismatch问题

在training阶段和inference阶段使用不同的阈值很容易导致mismatch，什么意思呢？

在training阶段，由于给定了GT，所以可以把与GT的IoU大于阈值的proposals作为正样本，这些正样本参与之后的bbox回归学习和分类。

在inference阶段，由于GT是未知的，所以只能把所有的proposals都当作正样本，让后面的bbox回归器回归坐标。且在inference阶段，只有生成的proposals自身的IoU值和训练器训练时设定的IoU阈值较为接近时，训练器输出的IoU值才会高即网络性能才好。

所以在training阶段和inference阶段，bbox回归的输入分布是不一样的，training阶段输入的proposals质量更高（被采样过，IoU>threshold），inference阶段的输入proposals质量相对较差（没有采样过，可能包含很多IoU

六、关于单纯增大训练时IoU阈值问题

从上图可以看到，随着stage的加深，相应区域的positive依旧拥有大量的proposal，因此不会出现严重的过拟合现象。

七、相关工作

7.1 two-stage

7.2 one-stage

7.3 multi-stage

八、Cascade R-CNN讲解

本文解决的重要思想是每一个单独的detector只对一个单独的IoU（原文称quality level）进行优化。此前有类似的工作，但本文的思想与其不同，此前是对False positive rate优化，本文是对一个给定的IoU阈值优化。

高IoU预设在输入高IoU样本时输出较好，低IoU预设在输入低IoU样本时输出较好。也就是说预设值与输入值匹配的情况下表现最好。

然而，要生成一个高质量的detector，光是简单地提高阈值也没什么用，如上面讲过的，提高阈值输出还是不断下降，作者认为这样的原因是因为提高阈值之后会使positive samples太少。本来神经网络就很脆弱，这么少的样本很容易造成过拟合。另一个问题是上文提到的预设与输入IoU阈值不匹配的问题。

作者首先给了一张当时比较流行的方法示意图，此图后文用到多次，我们称之为结构图，各大写字母含义图中也给出解释：

九、总结

RPN提出的proposals大部分质量不高，导致没办法直接使用高阈值的detector，Cascade R-CNN使用cascade回归作为一种重采样的机制，逐stage提高proposal的IoU值，从而使得前一个stage重新采样过的proposals能够适应下一个有更高阈值的stage。这篇论文的启发：

IoU阈值训练级联检测器。最关键的是逐渐提高的IoU阈值的stage要对应着高IoU阈值样本的分布，否则很容易发生过拟合；恰巧的是低IoU阈值的bbox在经过回归后，其IoU阈值一定会变大，故这样就级联起来了。