【目标检测系列：七】Cascade R-CNN: High Quality Object Detection and Instance Segmentation

鹿鹿最可爱

于 2019-09-23 15:13:06 发布

阅读量2.2k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：目标检测文章标签： Cascade R-CNN: High Quality Object Cascade R-CNN: Delving Into High Qu 2018 CVPR

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/qq_31622015/article/details/101198680

Cascade R-CNN是一种用于提高目标检测和实例分割质量的方法，通过级联多个不同IoU阈值的检测器，解决训练与推断阈值不匹配问题。级联结构在训练和推断时均使用，避免了迭代边界框回归的次优化问题。Cascade Mask R-CNN进一步扩展了这一思想，为每个级联阶段添加分割分支，提升样本多样性，实验结果显示其性能优于Mask R-CNN。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

2018 CVPR

Cascade R-CNN: Delving Into High Quality Object Detection
Cascade R-CNN: High Quality Object Detection and Instance Segmentation

High Quality Object Detection and Instance Segmentation

Introduce
- Cascade RCNN
- Cascade Mask RCNN
EXPERIMENTAL RESULTS
Pytorch
References

Introduce

检测=分类+定位
在这里插入图片描述

确定正样本的过程普遍的做法是：计算anchor box与ground truth 之间的IOU，大于某一个阈值(一般是0.5)就认为这是一个正样本。
阈值低导致有很多重复的没用的框，可以称为噪声

在这里插入图片描述

那检测中的IoU阈值选取高可以吗？

越容易得到高质量的样本
但是一味选取高阈值会引发两个问题,导致训练出的 detector 效果下降[1]

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。