Cascade R-CNN论文讲解（转载）

最新推荐文章于 2025-09-10 16:34:05 发布

转载最新推荐文章于 2025-09-10 16:34:05 发布 · 112 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/zf-blog/p/10250765.html

文章标签：

#人工智能

Cascade R-CNN通过级联多个检测器，每个检测器使用不同的IOU阈值训练，逐步提高预测框的精确度。这种方法不仅提高了最终的平均精度(AP)，还确保了样本质量，避免了过拟合问题。

转载链接：https://blog.youkuaiyun.com/qq_21949357/article/details/80046867

论文思想：为了解决IOU设置带来的最终的AP值，作者引入了cascade结构的回归器，采用cascade R-CNN stages，用一个stage的输出去训练下一个stage，

举个例子，有三个串联起来的用0.5/0.6/0.7的阈值训练出来的detector，有一个IoU约为0.55的proposal，经过0.5的detector，IoU变为0.75；再经过0.6的detector，IoU变为0.82；再经过0.7的detector，最终IoU变为0.87……比任何一个单独的detector的结果都要好。不仅仅只有IoU改善的好处，因为每经过detector，proposal的IoU都更高，样本质量更好了，那么即使我下一个detector阈值设置得比较高，也不会有太多的样本被刷掉，这样就可以保证样本数量避免过拟合问题。