Cascade RCNN算法笔记

最新推荐文章于 2025-04-19 17:05:47 发布
最新推荐文章于 2025-04-19 17:05:47 发布
阅读量6w 收藏 238
点赞数 47
分类专栏： 深度学习 计算机视觉 目标检测-object detection
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。
本文链接：https://blog.youkuaiyun.com/u014380165/article/details/80602027
版权

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，与普通级联不同的是，cascade R-CNN的几个检测网络是基于不同IOU阈值确定的正负样本上训练得到的，这是该算法的一大亮点。cascade R-CNN的实验大部分是在COCO数据集做的，而且效果非常出彩。

Figure1描述了文章的出发点，正是这个出发点吸引了我。（a）中u=0.5也是常用的正负样本界定的阈值，但是当阈值取0.5时会有较多的误检，因为0.5的阈值会使得正样本中有较多的背景，这是较多误检的原因；（b）用0.7的IOU阈值可以减少误检，但检测效果不一定最好，主要原因在于IOU阈值越高，正样本的数量就越少，因此过拟合的风险就越大。Figure1（c）和（d）中的曲线是用来描述localization performance，其中横坐标表示输入proposal和ground truth的IOU值，纵坐标表示输出的proposal和ground truth的IOU值。红、绿、蓝3条曲线代表训练检测模型时用的正负样本标签的阈值分别是0.7、0.6、0.5。<

最低0.47元/天 解锁文章
计算机视觉系列-轻松掌握 MMDetection 中常用算法 ：Cascade R-CNN（一）
段智华的博客
06-20 536
计算机视觉系列-轻松掌握 MMDetection 中常用算法 ：Cascade R-CNN（一）论文链接： https://arxiv.org/abs/1906.09756 Cascade R-CNN：高质量的对象检测和实例分割 在目标检测中，通常使用交并比（IoU）阈值来定义正/负样本，用于训练检测器的阈值定义了其质量。虽然常用的阈值0.5会导致噪声（低质量）检测，但如果阈值较大，检测性能往往会下降。这种高质量检测的悖论有两个原因：1）由于大阈值的正样本消失而导致的过度拟合，2）检测器和测试假设之间的
论文：Cascade RCNN
xxiaozr的博客
08-23 2002
Abstract: 目标检测领域，IoU 被用来定义 positives 和 negatives，当一个detector使用 0.5的IoU时，会产生nosiy detections，但是当提高IoU时，检测的表现又会变差。造成变差的主要原因有两点，一是训练时因为positive samples 的减少而造成的overfitting，另一个是inference时的IoU和训练时IoU的不匹配问题...
cascade rcnn
weixin_34315189的博客
08-20 454
    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...
卷积神经网络（CNN）详解
最新发布
zdx2585503940的博客
04-19 4719
卷积神经网络是多层感知机 (MLP)的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的细胞存在一个复杂的构造，这些细胞对视觉输入空间的子区域非常敏感，称之为感受野。CNN由纽约大学的Yann Lecun（杨立昆）于1998年提出(LeNet-5)，其本质是一个多层感知机，成功的原因在于其所采用的局部连接和权值共享的方式：一方面减少了权值的数量使得网络易于优化；另一方面降低了模型的复杂度、减小了过拟合 的风险。当网络的输入为图像时，这些优点将表现地更加明显。2006年，
Cascade R-CNN
bestrivern的博客
11-04 1608
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&l...
Cascade RCNN
Bruce_0712的博客
09-28 280
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，与普通级联不同的是，cascade R-CNN的几个检测网络是基于不同IOU阈值确定的正负样本上训练得到的，这是该
论文阅读笔记 | 目标检测算法——Cascade R-CNN算法
Clichong
08-21 1104
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.
cascade-rcnn学习笔记
justsolow的博客
03-29 1046
cascade-rcnn学习笔记 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，与普通级联不同的是，cascade R-CNN的几个检测网络是基于不同IOU阈值确定的正负样本上训练得到的，这是该算法的一大亮点。 首先我们来看这一组图片。a,b说明了较大的iou阈值可以降低误检率，这是很直觉的。但是，既然这样的话我们为什么还广泛采用iou=...
Faster RCNN系列算法原理讲解（笔记）
奔跑的小仙女
07-01 6643
Faster RCNN介绍： 给定图片中精确定位物体位置，预测物体类别 尺度变化、视觉变化、姿态变化、场景不确定、多个类别 RCNN->SPPNet->Fast-RCNN->Faster-RCNN升级 它的检测方法流程与传统方法类似： 候选框选取可采用滑动窗口策略或选择性搜索策略。 RCNN网络 RBG 2014年提出 深度特征 RBG首次将卷积神...
Cascade RCNN：走向检测器的级联
2301_76278775的博客
03-28 1027
小编在这里分享些我自己平时的学习资料，由于篇幅限制，pdf文档的详解资料太全面，细节内容实在太多啦，所以只把部分知识点截图出来粗略的介绍，每个小节点里面都有更细化的内容！程序员代码面试指南 IT名企算法与数据结构题目最优解这是” 本程序员面试宝典!书中对IT名企代码面试各类题目的最优解进行了总结，并提供了相关代码实现。针对当前程序员面试缺乏权威题目汇总这一-痛点， 本书选取将近200道真实出现过的经典代码面试题，帮助广“大程序员的面试准备做到万无一失。“刷”完本书后，你就是“题王”!
Python-CascadeRCNN深入研究高质量物体检测
08-11
Cascade R-CNN: 深入研究高质量物体检测
Cascade RCNN图解
08-27
做两个图，一个是普通两阶级联检测器RCNN，另一个是Cascade RCNN。平时应用的时候没有那么深究内部的关系，做完图有了更深刻更连贯的理解。
CascadeRCNN
qq_35226955的博客
03-22 653
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
weixin_43692212的博客
01-30 343
(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...
使用cascade rcnn算法检测2d图像的Precision、Racall、F1-Score、mAP、IoU
03-16
<think>好的，我需要帮助用户评估Cascade R-CNN算法在2D图像目标检测中的性能指标，包括Precision、Recall、F1-Score、mAP和IoU。首先，我应该回顾这些指标的定义和计算方法，然后结合Cascade R-CNN的特点来解释评估步骤。 首先，Precision（精确率）和Recall（召回率）是基础指标，分别衡量检测的准确性和覆盖率。F1-Score是两者的调和平均，综合评估模型性能。对于目标检测任务，IoU（交并比）用于判断检测框与真实框的重叠程度，通常设定阈值（如0.5）来判断是否为正确检测。而mAP（平均精度均值）则是多个IoU阈值下或不同类别间的平均精度，是目标检测中的重要指标[^1]。 接下来，我需要考虑Cascade R-CNN的结构。它通过级联多个检测器，逐步提高IoU阈值，从而改善检测质量。这意味着在评估时，可能需要关注不同阶段的性能变化，或者不同IoU阈值下的mAP表现。例如，原论文中可能提到在较高IoU阈值下，Cascade R-CNN的表现优于其他模型，这需要在评估时验证。 然后是具体评估步骤。数据准备方面，用户需要确保有标注好的测试集，包括每个目标的类别和边界框。模型推理后，得到预测框及其置信度。接下来是匹配预测框和真实框，通常基于IoU和类别是否一致。这里要注意NMS（非极大值抑制）的应用，避免重复检测影响评估结果。 计算每个类别的Precision和Recall时，需要统计TP、FP、FN。例如，对于每个类别，在所有测试图片中累计这些数值，然后计算Precision=TP/(TP+FP)和Recall=TP/(TP+FN)。F1-Score则是2*(Precision*Recall)/(Precision+Recall)。 对于mAP的计算，可能有不同的变体，比如COCO数据集的mAP是在0.5到0.95的IoU阈值范围内，以0.05为步长计算平均AP。而PASCAL VOC通常使用0.5的固定阈值。用户需要明确他们遵循的标准，可能是参考COCO或自定义的范围。 在实现工具方面，MMDetection和Detectron2等框架提供了评估脚本，用户可以直接使用这些工具生成结果。同时，可视化分析错误案例，如混淆矩阵或PR曲线，能帮助用户理解模型在哪些类别或场景下表现不佳。 最后，用户可能需要比较不同模型或配置下的结果，例如调整Cascade R-CNN的级联阶段数或IoU阈值，观察对mAP的影响。此外，数据增强、骨干网络的选择等优化策略也可能提升性能，这些可以作为后续的优化方向。 总结来说，我需要分步骤解释每个指标的计算方法，结合Cascade R-CNN的特性，指导用户如何准备数据、运行评估，并分析结果。同时，提醒注意点如NMS的影响和不同mAP标准的区别，确保评估的准确性。</think>### Cascade R-CNN在2D目标检测中的性能评估方法 #### 1. 基础指标定义 - **精确率（Precision）**：$Precision = \frac{TP}{TP+FP}$ 表示正确检测的目标占所有预测为正样本的比例[^1]。 - **召回率（Recall）**：$Recall = \frac{TP}{TP+FN}$ 表示正确检测的目标占所有真实正样本的比例。 - **F1-Score**：$F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}$ 综合精确率和召回率的平衡指标。 #### 2. 目标检测专用指标 - **IoU（交并比）**： $$ IoU = \frac{Area(B_{pred} \cap B_{gt})}{Area(B_{pred} \cup B_{gt})} $$ 用于衡量预测框$B_{pred}$与真实框$B_{gt}$的重叠程度，通常以阈值（如0.5）判定是否为有效检测。 - **mAP（平均精度均值）**： 对每个类别计算PR曲线下面积（AP），再对所有类别取平均。COCO数据集的mAP采用多阈值计算： $$ mAP_{COCO} = \frac{1}{10}\sum_{IoU=0.5}^{0.95} AP_{IoU} $$ #### 3. Cascade R-CNN评估流程 **步骤1：数据准备** - 使用标注好的测试集，需包含： ```json { "image_id": "0001.jpg", "bbox": [x_min, y_min, width, height], // 真实框 "category_id": 2 } ``` **步骤2：模型推理** 通过Cascade R-CNN生成预测结果： ```python # 使用MMDetection示例 from mmdet.apis import init_detector, inference_detector model = init_detector(config_file, checkpoint_file) result = inference_detector(model, img) # 输出格式：[[x1,y1,x2,y2,score], ...] 按类别分组 ``` **步骤3：匹配预测与真实框** 使用IoU阈值进行匹配： ```python def match_boxes(pred_boxes, gt_boxes, iou_threshold=0.5): iou_matrix = calculate_iou(pred_boxes, gt_boxes) matched_indices = hungarian_algorithm(iou_matrix) # 匈牙利算法匹配 return TP, FP, FN ``` **步骤4：指标计算** - **逐类统计**：对每个类别独立计算TP/FP/FN ```python for class_id in all_classes: ap = compute_ap(recall, precision) # 积分法或插值法 mAP = average(ap_list) ``` #### 4. 工具与优化 - **评估框架**： ```bash # 使用COCO API评估 python tools/test.py configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py \ checkpoints/cascade_rcnn_r50_fpn_1x_coco.pth \ --eval bbox ``` - **可视化分析**： ![PR曲线示例](https://cocodataset.org/images/detection-pr-curve.png) （通过PR曲线观察不同置信度阈值下的表现） #### 5. Cascade R-CNN特性影响 其级联结构会显著影响高IoU阈值下的指标： $$ \text{阶段1 IoU=0.5} \rightarrow \text{阶段2 IoU=0.6} \rightarrow \text{阶段3 IoU=0.7} $$ 实验表明，在IoU=0.7时，Cascade R-CNN比Faster R-CNN的AP提升约5%。
评论 15
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