Cascade R-CNN：深入高质量目标检测
计算机视觉与模式识别
2017-12-05 v1
摘要
在目标检测中，需要交并比(IoU)阈值来定义正样本与负样本。以低 IoU 阈值（如 0.5）训练的目标检测器通常会产生含噪检测。然而，检测性能往往随 IoU 阈值提高而下降。造成此现象的两个主要因素为：1) 训练期间因正样本指数级减少而过拟合；2) 推理时检测器最优 IoU 与输入假设 IoU 之间的不匹配。为此提出一种多阶段目标检测架构 Cascade R-CNN 以解决上述问题。它由一系列以递增 IoU 阈值训练的检测器组成，依次对近似假阳性更具选择性。检测器逐阶段训练，利用的观察是：一个检测器的输出是训练下一更高质量检测器的良好分布。对逐步改善的假设进行重采样，保证所有检测器均拥有规模相当的正样本集，从而缓解过拟合问题。相同的级联流程应用于推理，使各阶段假设与检测器质量更匹配。Cascade R-CNN 的简洁实现在具挑战性的 COCO 数据集上超越所有单模型目标检测器。实验亦表明，Cascade R-CNN 可广泛适用于各类检测器架构，无论基线检测器强弱均可获得稳定提升。代码将发布于 https://github.com/zhaoweicai/cascade-rcnn。
引用
@article{arxiv.1712.00726,
title = {Cascade R-CNN: Delving into High Quality Object Detection},
author = {Zhaowei Cai and Nuno Vasconcelos},
journal= {arXiv preprint arXiv:1712.00726},
year = {2017}
}