目录
- 摘要:
- 1.引言
- 2. 相关工作
- 3. 对象检测
- 3.1. 边界框回归
- 3.2. 分类
- 3.3. 检测质量
- 4. 级联 R - CNN
- 4.1. 级联边界框回归
- 4.2. 级联检测
摘要:
在目标检测中,需要一个交并比(IoU)阈值来定义正样本和负样本。使用低IoU阈值(例如0.5)训练的目标检测器通常会产生有噪声的检测结果。然而,随着IoU阈值的增加,检测性能往往会下降。造成这种情况的两个主要因素是:1)训练期间的过拟合,由于正样本呈指数级减少;2)检测器最优的IoU与输入假设的IoU在推理时不匹配。为了解决这些问题,本文提出了一种多阶段目标检测架构——Cascade R-CNN。它由一系列以递增的IoU阈值训练的检测器组成,对接近的假阳性样本依次更具选择性。这些检测器分阶段进行训练,基于这样的观察:一个检测器的输出对于训练下一个更高质量的检测器是一个良好的分布。逐步改进的假设的重采样保证了所有检测器都有等量的正样本集,减少了过拟合问题。在推理时应用相同的级联程序,使每个阶段的假设与检测器质量更紧密地匹配。Cascade R-CNN的一个简单实现被证明在具有挑战性的COCO数据集上超越了所有单模型目标检测器。实验还表明,Cascade R-CNN广泛适用于各种检测器架构,独立于基线检测器的强度实现一致的性能提升。代码将在https://github.com/zhaoweicai/cascade-rcnn上提供。
1.引言
目标检测是一个复杂的问题,需要解决两个主要任务。首先,