目标检测总结：Cascade RCNN

目标检测中通常用IOU来区分正例和负例，通常IOU取0.5，但通常0.5的IOU阈值会带来大量的噪声，这里的噪声指的是false positive。但是如果增加阈值的选取，检测器的性能并没有提升反而有所下降，其原因在于：1样本减少引起的过拟合，2 train和inference时的阈值不一致带来的mismatch。为了解决iou的问题，作者提出了malti-stage训练的Cascade RCNN算法。

IOU对目标检测的影响

在监测问题中，通常是通过IOU来来判断样本的正负及分类。因此IOU的选取的检测的精度有很大的影响，作者做了几个实验在论证IOU对检测的影响，实验结果如上图所示。

首先，较低的IOU会产生很多的噪声（FP），如figure1（a）所示，当增大IOU的阈值时，噪声减少，如figure1（b）所示。这一点比较直观，很好理解，就是较高的IOU阈值对于噪声有抑制作用，使检测更精确。
另外，如figure1（c）所示，通常来说，经过boxreg之后，新的box的IOU会变得更高，说明detector是有效果的，使得box框更加的精确。另外从图中可以看出，0.55-0.6范围内阈值为0.5的detector性能最好，在0.6-0.75范围内阈值为0.6的detector性能最好，0.75以上的范围内阈值为0.7的detector性能最好。这说明了只有proposal自身的阈值和训练器训练的阈值较为接近的时候，训练器的性能才是最好的。如果两个阈值相隔较远，就是我们之前说的mismatch问题了。
因此，可以确认的是，单一阈值训练出的检测器效果一般，以最常见的0.5阈值为例，由于所有的大于0.5的proposal均被选中，那么对于iou大于0.6的proposal来说，0.5阈值的检测器并不是最优的，那如果把检测器的阈值调到0.7呢，从figure1（d）可以发现，提高阈值的方法并没有提升。原因就在于提升了阈值，