论文笔记：Cascade R-CNN：Delving into High Quality Object Detection

论文链接，官方代码(mmdetection中有实现)，通天塔译文，参考文章1，参考文章2，参考文章3

出发点

目标检测被构建为：分类+回归 问题进行解决，所以检测问题本身是一个分类问题，但有和分类问题有很大的区别，因为在检测问题中是对所有的候选框进行打分，而在训练过程中是使用IoU阈值来判断正负样本的。因此IoU阈值的选取是一个非常重要的超参数。通常情况使用IoU=0.5来决定正负样本，但是这样会带来一些问题。一方面IoU选取的越高，则得到的正样本更接近目标，因此训练出的检测器更加准确，但是一味的提高IoU的阈值会引发两个问题：(1)正样本过少导致训练过程中出现过拟合问题；(2)训练和测试使用不一样的阈值导致评估性能下降。另一方面，IoU阈值选取的越低，得到的正样本更丰富，有利于检测器的训练，但势必导致测试时出现大量的虚检，也即论文中提到的"close but not correct"。

作者针对提出的问题进行实验佐证：

图1(c)给出了经过一次回归以后目标候选框和真实目标框匹配的IoU变化，横轴代表回归前，纵轴代表回归后。不同的颜色反映使用不同的IoU阈值训练的检测器。

未完成，待填 。。。。

• Previous
  论文笔记：DenseBox:Unifying Landmark Localization with End to End Object Detection
• Next
  论文笔记：Chained Cascade Network for Object Detection