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

原创 于 2019-09-23 15:13:06 发布 · 2.3k 阅读 · 4 ·
CC 4.0 BY-SA版权
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。
文章标签：

#Cascade R-CNN: High Quality Object #Cascade R-CNN: Delving Into High Qu #2018 CVPR

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。

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

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]
    在这里插入图片描述

    • 样本减少,引发过拟合 (训练样本通过RPN产⽣的RP与标注所对⽐的IoU直⽅图，当IoU增加时，正样本呈指数级下降。The red numbers are the positive percentage higher than the corresponding IoU threshold.)[1]
      在这里插入图片描述
    • 在train和inference 使用不一样的阈值 ，导致mismatch
      即保持训练的阈值较低，只在测试时使⽤⾼阈值，de
最低0.47元/天 解锁文章
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值