Cascade R-CNN：Delving into High Quality Object Detection）

最新推荐文章于 2022-04-20 20:04:20 发布
最新推荐文章于 2022-04-20 20:04:20 发布
阅读量998 收藏
点赞数
文章标签： 深度学习 pytorch 机器学习
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/weixin_38356756/article/details/120849732
版权
这篇文章解析了Cascade R-CNN如何通过级联多个基于不同IOU阈值的检测网络，逐步提高预测质量。它解决了Faster RCNN中RPN生成的低质量Proposal问题，通过逐层筛选和回归，实现更精确的对象检测。

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

Cascade R-CNN：Delving into High Quality Object Detection）

文章解读：

1 创新点

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，与普通的级联不同的是，cascade RCNN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；
在这里插入图片描述
文章基于上述出发点：
（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的时候会有较多的误检，recall较高，predict比较低；
（b）用u=0.7阈值可以减少物件，但是检测效果不一定好。predict精确度比较高，recall较低；
（c）和（d）中横坐标表示输入的proposal和ground truth的IOU值，纵坐标表示输出的proposal和ground truth的IOU值。当一个检测模型采用u=0.6的时候，相对其他的较好；
简单讲cascade R-CNN是由一系列的检测模型组成，每个检测模型都基于不同IOU阈值的正负样本训练得到，前一个检测模型的输出作为后一个检测模型的输入，因此是stage by stage的训练方式，而且越往后的检测模型，其界定正负样本的IOU阈值是不断上升的。

2 网络示意图

在这里插入图片描述
（a）表示Faster RCNN
（b）是迭代式的bbox回归，从图也非常容易看出思想，就是前一个检测模型回归得到的bbox坐标初始化下一个检测模型的bbox，然后继续回归，这样迭代三次后得到结果。
（c）是Integral Loss，表示对输出bbox的标签界定采取不同的IOU阈值，因为当IOU较高时，虽然预测得到bbox很准确，但是也会丢失一些bbox。
（d）本文的cascade RCNN与（b）最大的不同点在于cascade RCNN中的检测模型是基于前面一个阶段输出进行训练，而不是3个检测模型都是基于初始的数据进行训练的。

算法思路

1 backbone

深度学习分类网络

2 neck

在这里插入图片描述

3 head

4 总结

RPN提出的proposals大部分质量不高，导致没办法直接使用高阈值的detector，Cascade RCNN使用cascade回归作为一种重采样的机制，逐个stage提高proposal的IOU值，从而使得前一个stage重新采样过的proposals能够适应下一个有更高阈值的stage

目标检测：Cascade R-CNN: Delving into High Quality Object Detection - 2017【方法解读】
sinat_39783664的博客
08-26 261
“目标检测Cascade R-CNN(2017)” 方法部分解读
[论文阅读]Cascade RCNN|Cascade R-CNN: Delving into High Quality Object Detection
一碗白开水一
08-11 439
题目：Cascade R-CNN: Delving into High Quality Object Detection 作者：Zhaowei Cai ； Nuno Vasconcelos Motivation: 作者认为在目标检测过程中，决定正负样本的IOU通常会产生检测噪声，随着IOU增加，效果却变差。作者认为是由于1）单纯提高了IoU阈值，满足这个阈值条件的proposals必然比之前少了，IOU增加，正样本数量少，容易导致过拟合，导致检测效果变差。2）在inference阶段，proposal与训练
【论文笔记】：Cascade R-CNN: Delving into High Quality Object Detection
Activewaste
07-23 900
&Title: Cascade R-CNN: Delving into High Quality Object Detection &Summary 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...
【论文】Cascade R-CNN: Delving into High Quality Object Detection
梦想是要有的，万一实现了呢！
04-19 866
论文地址：https://arxiv.org/abs/1712.00726v1https://arxiv.org/abs/1712.00726v1 Cascade R - CNN：深入研究高质量目标检测 紫色：要解决的问题或发现的问题 红色：重点内容 棕色：关联知识，名称 绿色：了解内容，说明内容 摘要 在对象检测中，需要通过联合（IoU）阈值来定义正负。用低 IoU 阈值训练的对象检测器，例如0.5，通常会产生噪声检测。然而，检测性能往往会随着 Io U 阈值的增加而下降。造成这种情况的主要
【论文解析】Cascade R-CNN: Delving into High Quality Object Detection
Luissen的博客
12-15 489
论文链接 CVPR2018的文章。和BPN一样，本文主要关注的是目标检测中IoU的阈值选取问题，但是BPN主要针对的是SSD等single-stage的detector，感兴趣的童鞋可以看我的另一篇博文BPN 目标检测中，detector经常是用低IoU阈值来train的，如果提高IoU阈值，则会导致两个问题： （1）IoU提高以后，训练中positive samples的数量会指数级减少，从而导...
Cascade R-CNN: Delving into High Quality Object Detection
椰子奶糖的博客
08-22 436
Cascade R-CNN: Delving into High Quality Object Detection 文章目录Cascade R-CNN: Delving into High Quality Object Detection参考提出问题：Detection Qualitynew Idea相似结构对比：Iterative BBox&Integral LossFaster RCNN中的做法Iterative BBox中的做法Intergal Loss中的做法总之 参考 Cascade R
【目标检测系列：七】Cascade R-CNN: High Quality Object Detection and Instance Segmentation
鹿鹿的博客
09-23 2279
2018 CVPR Cascade R-CNN: Delving Into High Quality Object Detection Cascade R-CNN: High Quality Object Detection and Instance Segmentation High Quality Object Detection and Instance SegmentationIntrod...
论文阅读瞎记(四) Cascade R-CNN: Delving into High Quality Object Detection 2017
Pleadge的博客
03-22 3331
概述 在物体检测中1，IOU阈值被用于判定正负样本。在低IOU阈值比如0.5的状态下训练模型经常产生噪音预测，然而检测效果会随着IOU增加而降低。两个主要因素：1.训练时的过拟合，正样本指数消失 2.inference-time mismatch between the IoUs for which the detector is optimal and those of the input hypotheses.（后处理的问题？）一个单阶段的物体检测器CascadeR-CNN被提出用于解决这些问题。网络
Cascade R-CNN：Delving into HIgh Quality Object Detection
xh_hit的博客
09-18 487
本篇是2018CVPR收录的关于物体检测的文章，作者仔细分析目前物体检测框架中Iou阈值的选取对于物体定位精度和整体训练的影响。 Iou阈值直接影响训练阶段正负样本的划分，threshold太高，如0.7，正样本的质量越高，但是正样本的数量会急剧减少，加剧正负样本的不平衡，训练容易过拟合；threshold太低，如0.5，正样本的数量会增加，但是正样本的质量下降，容易产生false positi...
Cascade R-CNN: Delving into High Quality Object Detection（个人学习笔记）
认真努力，做一只会飞的毛毛虫。
09-25 4665
论文基本信息 标题：Cascade R-CNN: Delving into High Quality Object Detection 作者：Zhaowei Cai，Nuno Vasconcelos 机构：UC San Diego 来源：CVPR2018 时间：2017/12/03 链接：https://arxiv.org/abs/1712.00726 代码： https://github.com/zhaoweicai/cascade-rcnn（official code） https://papersw
【论文翻译】Cascade R-CNN: Delving into High Quality Object Detection
孙永杰的博客
03-18 2918
Cascade R-CNN: Delving into High Quality Object Detection 摘要 在目标检测中，需要一个intersection over union(IOU)阈值来定义正负图像。用较低IOU阈值(例如0.5)训练的对象检测器通常会产生噪声检测。然而，检测性能往往又会随着IoU阈值的提高而下降。造成这种原因的因素有两个：1）由于正样本呈指数级减少导致训练过拟合，2）在推断时，检测j器的最佳IoU与输入假设的IoU不匹配。针对这些问题，我们提出了一种多级目标检测结构Ca
【论文阅读笔记】Cascade R-CNN: Delving into High Quality Object Detection
梁瑛平的博客
03-03 344
【论文阅读笔记】Cascade R-CNN: Delving into High Quality Object Detection（一）论文地址：（二）核心思想：（三）问题陈述： （一）论文地址： https://arxiv.org/abs/1712.00726 （二）核心思想： 在目标检测中，通常需要一个 IOU 阈值上的交集来定义正负样本； 使用低 IOU 阈值（例如 0.5）训练的目标检测器...
目标检测 | 经典算法 Cascade R-CNN: Delving into High Quality Object Detection
晓飞的算法工程笔记
01-06 469
作者从detector的overfitting at training/quality mismatch at inference问题入手，提出了基于multi-stage的Cascade R-CNN，该网络结构清晰，效果显著，并且能简单移植到其它detector中，带来2-4%的性能提升 论文: Cascade R-CNN: Delving into High Quality Object ...
Cascade R-CNN: Delving into High Quality Object Detection 论文笔记
Tianchao龙虾
11-08 254
Cascade R-CNN: Delving into High Quality Object Detection Cascade R-CNN CVPR2018 论文链接: https://arxiv.org/abs/1712.00726 一、 Problem Statement 在目标检测中，通常使用IoU的值来确定正负样本，如果使用低的IoU值，会产生noisy detection,如果使用高的IoU值，会有两个问题: 在训练的时候会过拟合，因为正样本的数量指数级减少。 推理的时候与训练的时候不匹配。
[3] Cascade R-CNN: Delving into High Quality Object Detection【Object Detection番外】
zxrc的博客
04-20 1336
Cascade R-CNN: Delving into High Quality Object Detection【Object Detection番外】 3.1 摘要 总结目标检测模型的典型问题，训练中使用小的IOU阈值会产生大量的噪声，使用大的IOU阈值则会导致模型性能大幅下降。两个原因： （1）指数级丢失正样本导致模型过拟合（大IOU阈值） （2）propose的IOU阈值与prediction detector的阈值不一致（搭配不一致，并不是值相等）导致性能下降 对以上两点，知乎有作者给出了较为详细
论文：Cascade R-CNN: Delving into High Quality Object Detection 阅读笔记
Stay hungry, Stay foolish
05-25 269
一、论文 Cascade R-CNN: Delving into High Quality Object Detection https://arxiv.org/abs/1712.00726 https://github.com/zhaoweicai/cascade-rcnn 二、论文笔记 1、背景 a)、阈值设的太小，正负样本比例失衡，负样本太多，使得检测器对于有较大的阈值的错误框...
cascade r-cnn HTC
最新发布
03-02
### Cascade R-CNN 和 Hierarchical Task Cascade (HTC) #### Cascade R-CNN Cascade R-CNN 是一种用于目标检测的改进方法，通过级联多个阶段来逐步提高边界框预测的质量。每个阶段都由一个二分类器组成，负责区分前景和背景以及调整候选区域的位置。这种设计使得模型能够更精确地定位物体并减少误检率[^1]。 ```python class CascadeRCNN(nn.Module): def __init__(self, num_stages=3): super(CascadeRCNN, self).__init__() self.num_stages = num_stages # 定义每一阶段的特征提取网络和其他组件... def forward(self, x): proposals = initial_proposals(x) for stage in range(self.num_stages): refined_bboxes = refine_bounding_boxes(proposals, stage) proposals = select_high_quality_proposals(refined_bboxes) return final_predictions ``` #### Hierarchical Task Cascade (HTC) HTC 扩展了 Cascade R-CNN 的概念，在单个框架内联合处理多种视觉任务，如实例分割、人体姿态估计等。该架构采用分层的方式依次完成不同子任务的学习过程，并利用共享卷积特征图加速计算效率。具体来说，HTC 将整个流程分为几个连续的任务模块，每个模块专注于特定类型的输出生成工作[^2]。 ```python class HTCDetector(nn.Module): def __init__(self): super(HTCDetector, self).__init__() # 初始化各层次任务处理器... def forward(self, input_image): shared_features = extract_shared_convolutional_features(input_image) detection_results = [] segmentation_masks = [] keypoints_estimations = [] current_input = shared_features for task_module in self.task_modules: outputs = task_module(current_input) update_current_state(outputs) store_intermediate_outputs(detection_results, segmentation_masks, keypoints_estimations) combine_all_tasks_output() return combined_result ``` 在论文方面，《Cascade R-CNN: Delving into High Quality Object Detection》深入探讨了如何构建高效的目标检测系统；而《Libra R-CNN: Towards Balanced Learning for Object Detection》则介绍了平衡学习策略的应用案例。对于 HTC，《Hierarchical Relation Network for Instance Segmentation》提供了详细的理论基础和技术实现说明[^3]。 关于代码资源，MMDetection 库是一个很好的开源项目，它实现了上述两种算法以及其他先进的计算机视觉技术。可以从 GitHub 上获取最新版本的源码进行研究和开发测试[^4]。
评论
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

打赏作者

绘视小技巧

本人识别赛top2整理内容齐齐

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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