【论文笔记】：Cascade R-CNN: Delving into High Quality Object Detection

&Title:

• Cascade R-CNN: Delving into High Quality Object Detection
• Cascade R-CNN: Delving into High Quality Object Detection(中文翻译)

&Summary

本篇文章主要解决了在目标检测中，检测框不是特别准，容易出现噪声干扰的问题，即close false positive，为什么会有这个问题呢？

作者实验发现，因为在基于anchor的检测方法中，我们一般会设置训练的正负样本（用于训练分类以及对正样本进行坐标回归），选取正负样本的方式主要利用候选框与ground truth的IOU占比，常用的比例是50%，即IOU>0.5的作为正样本，IOU<0.3作为负样本等，但是这样就带来了一个问题，阈值取0.5是最好的吗？
作者通过实验发现，

• 设置不同阈值，阈值越高，其网络对准确度较高的候选框的作用效果越好。
• 不论阈值设置多少，训练后的网络对输入的proposal都有一定的优化作用。

基于这两点，作者设计了Cascade R-CNN网络，如下面图Figure3(d)所示，即通过级联的R-CNN网络，每个级联的R-CNN设置不同的IOU阈值，这样每个网络输出的准确度提升一点，用作下一个更高精度的网络的输入，逐步将网络输出的准确度进一步提高。

一句话总结就是：Cascade R-CNN就是使用不同的IOU阈值，训练了多个级联的检测器。

&Research Objective

本文主要针对的是检测问题中的IoU阈值选取问题

&Problem Statement

目标检测其实主要干的就是两件事，一是对目标分类，二是标出目标位置。所以，为了实现这两个目标，在训练的时候，我们一般会首先提取候选proposal，然后对proposal进