Cascade R-CNN

最新推荐文章于 2025-04-03 07:00:00 发布
原创 最新推荐文章于 2025-04-03 07:00:00 发布 · 260 阅读 · 0 ·
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。

CascadeR-CNN是一种解决目标检测中检测框不精确问题的方法，通过使用不同IOU阈值训练级联的检测器，逐步提高检测精度。实验证明，这种方法可以有效避免高阈值带来的过拟合问题，同时提升网络对输入proposal的优化效果。

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，1、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。2、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。

作者又做了不同阈值下网络精度的实验，结果如图figure1(d)所示，可以发现，对于阈值为0.5以及0.6的时候，网络精度差距不大，甚至提升了一点，但是将精度提升到0.7后，网络的精度就急速下降了，(COCO数据集上：AP：0.354->0.319)，这个实验说明了，仅仅提高IoU的阈值是不行的，因为提高阈值以后，我们会发现，实际上网络的精度（AP）反而降低了。

为什么会下降呢？

由于提高了阈值，导致正样本的数量呈指数减低，导致了训练的过拟合。
在inference阶段，输入的IOU与训练的IOU不匹配也会导致精度的下降。所以才会出现Figure1(d)中，u=0.7的曲线在IOU=0.5左右的时候，差距那么大。
实验证明了不能使用高的阈值来进行训练，但是实验也呈现出了另一个事实，那便是：回归器的输出IOU一般会好于输入的IOU，图figure1（c）所示。并且随着u的增大，对于在其阈值之上的proposal的优化效果还是有提升的。

那既然这样，我们是否可以采用级联的方式逐步提升呢？即首先利用u=0.5的网络，将输入的proposal的提升一些，假如提升到了0.6，然后在用u=0.6的网络进一步提升，加入提升到0.7，然后再用u=0.7的网络再提升，这样岂不是精度越来越高了？

 

 

CV之DL之R-CNN：计算机视觉领域算法总结—R-CNN系列(R-CNN、Fast R-CNN、Faster R-CNN、R-FCN、Mask R-CNN、Cascade R-CNN、Libra R
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
01-14 2167
​ CV之DL之R-CNN：计算机视觉领域算法总结—R-CNN系列(R-CNN、Fast R-CNN、Faster R-CNN、R-FCN、Mask R-CNN、Cascade R-CNN、Libra R-CNN各种对比)的简介、安装、案例应用之详细攻略 目录 相关文章 R-CNN系列的简介 R-CNN系列的安装 R-CNN系列的案例应用 相关文章 我们从基于区域的目标检测器(Faster R-CNN, R-FCN, FPN)中学到了什么? 地址 地
目标检测：Cascade R-CNN: Delving into High Quality Object Detection - 2017【方法解读】
sinat_39783664的博客
08-26 353
“目标检测Cascade R-CNN(2017)” 方法部分解读
一文带你读懂Cascade R-CNN，一个使你的检测更加准确的网络
小菜鸟的AI之路
01-13 4万+
论文名称:Cascade R-CNN: Delving into High Quality Object Detection 作者：Zhaowei Cai &amp; Nuno Vasconcelos 论文链接：https://arxiv.org/abs/1712.00726 代码链接：https://github.com/zhaoweicai/cascade-rcnn 简要概述文章精华 本篇...
论文阅读笔记 | 目标检测算法——Cascade R-CNN算法
Clichong
08-21 1322
如有错误，恳请指出。 paper：Cascade R-CNN: Delving into High Quality Object Detection 摘要： 曾经，在目标检测领域中，IoU阈值的设定非常重要。如果设置一个比较低的阈值，会出现比较多的噪声对象；而如果设置的比较高，检测器的性能也会下降。这主要是两个原因： 1）阈值设置过高，会导致在训练期间由于正样本指数消失而过度拟合。 2）在推断过程中，检测器最适合的IoU与输入假设不匹配。 为此，作者提出了Cascade R-CNN来解决这两个问题。Ca.
目标检测论文阅读：Cascade R-CNN: Delving into High Quality Object Detection
思矣远矣
04-25 2万+
Cascade R-CNN: Delving into High Quality Object Detection 1.思想简介 2.相关工作及一些证明 Iterative BBox及对比 Iterative Loss 3.Cascade R-CNN的实现与结果 4.总结 Cascade R-CNN: Delving into High Quality Object Dete...
目标检测系列—Cascade R-CNN 详解
Azperk的博客
03-03 1566
是由和于 2018 年提出的一种改进型方法，旨在通过提升目标检测的精度。传统的单阶段目标检测器通常会在精度上遇到瓶颈，特别是对于难以检测的目标。而 Cascade R-CNN 通过在多个级联阶段中逐步改进检测结果，解决了这一问题。本文将详细解析的和，并提供实现的代码示例。
Cascade R-CNN（2018➕CVPR）
最新发布
朴实无华的研究生活
04-03 1257
本文提出了一种名为Cascade R-CNN的新检测框架，旨在解决高质量目标检测问题。现有检测器通常在低IoU阈值下训练，容易产生噪声检测结果；而提高IoU阈值虽能提升质量，但会导致过拟合或推理阶段与输入假设不匹配的问题。Cascade R-CNN通过一系列逐步增加IoU阈值的检测器实现对“接近假阳性”的抑制，同时利用后一阶段的输出重新采样来保证正样本分布均衡，减少过拟合。该架构简单且端到端可训练，在COCO数据集上超越所有单模型检测器，尤其在高评价指标下表现优异。
目标检测论文阅读：Cascade R-CNN算法笔记
qq_43631268的博客
01-03 960
在目标检测中，需要使用IoU阈值来区分正负样本。一个使用低IoU阈值（比如0.5）训练的目标检测器，往往会产生噪声检测结果。但是，增加IoU阈值往往又会导致检测性能下降。这主要是由于两个原因：①在训练过程中，正样本数目呈指数级减少而导致过拟合；②推理过程中，训练检测器时的IoU和预测结果时的IoU不匹配（mismatch，这一点后面会具体解释）。针对这些问题，本文提出了一种多阶段目标检测结构Cascade R-CNN。
cascade r-cnn paper
12-03
In object detection, an intersection over union (IoU) threshold is required to define positives and negatives. An object detector, trained with low IoU threshold, e.g. 0.5, usually produces noisy detections. However, detection per- formance tends to degrade with increasing the IoU thresh- olds. Two main factors are responsible for this: 1) over- fitting during training, due to exponentially vanishing pos- itive samples, and 2) inference-time mismatch between the IoUs for which the detector is optimal and those of the in- put hypotheses. A multi-stage object detection architecture, the Cascade R-CNN, is proposed to address these prob- lems. It consists of a sequence of detectors trained with increasing IoU thresholds, to be sequentially more selec- tive against close false positives. The detectors are trained stage by stage, leveraging the observation that the out- put of a detector is a good distribution for training the next higher quality detector. The resampling of progres- sively improved hypotheses guarantees that all detectors have a positive set of examples of equivalent size, reduc- ing the overfitting problem. The same cascade procedure is applied at inference, enabling a closer match between the hypotheses and the detector quality of each stage. A simple implementation of the Cascade R-CNN is shown to surpass all single-model object detectors on the challeng- ing COCO dataset. Experiments also show that the Cas- cade R-CNN is widely applicable across detector architec- tures, achieving consistent gains independently of the base- line detector strength. The code will be made available at https://github.com/zhaoweicai/cascade-rcnn.
Cascade RCNN算法笔记
热门推荐
AI之路
06-06 6万+
论文：Cascade R-CNN Delving into High Quality Object Detection 论文链接：https://arxiv.org/abs/1712.00726 代码链接：https://github.com/zhaoweicai/cascade-rcnn Cascade R-CNN算法是CVPR2018的文章，通过级联几个检测网络达到不断优化预测结果的目的...
cascade rcnn
weixin_34315189的博客
08-20 489
    在region proposal阶段采用不同的iou。 第一幅图，不同颜色的线是用不同的region proposal的iou阈值，横坐标是region proposal生成的框与gt的原始iou，纵坐标是未经过训练的框经过bounding box regression后生成的新框与gt的iou，发现0.5的iou阈值对0.5的的提升更好，0.6的对0.6到0.75的好，0.7对0.75...
cascade r-cnn
weixin_43692212的博客
01-30 370
(a)中u=0.5是常用的正负样本界定值，但当u取0.5时会出现较多的误检。因为该阈值会使正负样本中有较多的背景。 （b）中用0.7的阈值会减小误检，但正样本的数量会呈指数级的减少，出现过拟合的现象。 （c）和（d）中的曲线是用来表示不听IOU阈值下的定位性能和检测性能，从C中可以看出，当检测模型采用某个阈值来界定正负样本时，当输入proposal的IOU阈值在这个值附近时，该检测模型比其他阈...
Cascade R-CNN: Delving into High Quality Object Detection
qq_33856555的博客
03-19 647
当进行IOU检测的过程中，随着IOU阈值的增加，性能会趋于下降原因：（1）正样本指数级减少          （2）推理时间之间的不匹配检测器是最优的 目标检测主要关注两大问题：1.区分背景与目标，并用标签将其标记2.其次，检测器必须解决定位问题，能够精确地将边界框分配给不同的对象解决以上两个问题是较为困难的，因为检测器面临许多“接近”误报，对应于“接近但不正确”检测框必须检测出真实正确的并抑制误...
Cascade RCNN
weixin_41172694的博客
03-07 297
转载自Naiyan Wang 论文：Cascade R-CNN Delving into High Quality Object Detection 论文链接：https://arxiv.org/abs/1712.00726 今天给大家介绍一篇个人觉得对detection非常有insight的一篇文章："Cascade R-CNN: Delving into High Quality Ob...
CascadeRCNN
qq_35226955的博客
03-22 699
论文：Cascade R-CNN: Delving into High Quality Object Detection 代码： https://github.com/zhaoweicai/cascade-rcnn 1. Motivation 两阶段目标检测的过程是：RPN提取proposal, 即第一阶段；然后检测的head对这些proposal精修，输出类别(得分)和物体boundingbox边界框，即第二阶段。而所谓一阶段目标检测就是没有RPN过程。 那有多阶段可以吗？当然可以，比如CascadeRC
CASCADE R-CNN
01-02
### CASCADE R-CNN目标检测算法介绍 CASCADE R-CNN是一种多级联的目标检测框架，专为设计高质量的目标检测器而构建[^4]。该方法通过一系列逐步增加严格度的IoU（交并比）阈值来过滤候选框，从而有效地减少误报率并...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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