cascade rcnn目标检测中的mismatch问题

本文探讨了CascadeRCNN论文中提及的Mismatch问题,即训练阶段与推断阶段detector输入的proposal存在差异,导致模型性能下降。文章深入分析了IOU阈值提升如何加剧这一现象,并附有知乎上的一张图表进行直观说明。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

cascade rcnn这篇论文提到mismatch问题

https://arxiv.org/pdf/1712.00726.pdf

意思是training阶段和inference阶段,detector输入的proposal是不一样的,前者的proposal经过筛选(IoU>threshold)质量更高,后者的未经过筛选,质量更差。用前者训练得到的detector来测试后者的proposal,会导致性能的下降。

 

IOU的提高将导致mismatch问题进一步加重,这是因为IOU提高后,筛选的条件变严格,detector 在training过程中输入的proposal数量变少,检测器过拟合。但是inference过程得到的proposal并不会因为IOU而改变,也就是说检测器性能下降,inference时输入的图片也没变化,所以mismatch更严重。贴一张知乎的图以便更好理解(引自知乎https://zhuanlan.zhihu.com/p/42553957

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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