孙永杰的博客

【2018】Cascade R-CNN: Delving Into High Quality Object Detection：CVPR，2018【原文】

Towards Real-world X-ray Security Inspection: A High-Quality Benchmark And Lateral Inhibition Module For Prohibited Items Detection摘要X射线图像中的违禁物品检测在保护公共安全方面经常发挥着重要作用，它经常处理颜色单调和光泽不足的物体，导致性能不尽人意。到目前为止，由于缺乏专门的高质量数据集，触及这一主题的研究还很少。在这项工作中，我们首先提出了一个高质量的X射线（HiXra

目标检测算法依赖于region proposals算法来假设目标位置，随着SPP Net和fast R-CNN的改进，region proposals已经成为目标检测算法的瓶颈。RPN网络主要解决region proposals算法的以下问题：运行时间长。Selective Search算法与目标检测网络相比要慢一个数量级(这里的检测网络主要指Fast R-CNN)，每幅图像需要2s。EdgeBoxes [6]实现了proposasl的质量和速度之间的最佳平衡，每幅图像需要的时间减少为0.2s，但是也

2014年，Ross Girshick等人提出R-CNN，首次利用CNN进行目标检测。RCNN通过Selective Search算法进行region proposals，使用CNN对proposals提取特征，然后将提取的特征输入SVM进行分类，最后利用全连接网络进行边框回归（线性脊回归）。图片要先经过Selective Search算法产生的proposals，然后在图片上截取proposals区域，对proposals区域Resize之后，将其输入CNN进行分类。proposals区域会有大量重