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

最新推荐文章于 2024-04-27 11:37:34 发布
最新推荐文章于 2024-04-27 11:37:34 发布
阅读量277 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 深度学习 笔记 物体检测 文章标签： 物体检测 Cascade R-CNN
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.csdn.net/m0_37263345/article/details/90550459
本文围绕《Cascade R-CNN: Delving into High Quality Object Detection》展开。介绍了论文背景，指出阈值设置不当会导致正负样本比例失衡、检测器性能下降等问题。提出使用多阶段R - CNN的想法，阐述了回归损失函数的变化，还介绍了模型结构和处理流程。

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

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检测不够灵敏。

b)、阈值设的太大，数据量少导致检测器性能下降，以及过拟合。

 

2、想法

使用一个多阶段的R-CNN（基于两阶段的Faster-RCNN)，使用前面阶段的模型的输出训练下一个模型，因为每个模型的输出的iou总是好过它输入的iou

3、细节 R-CNN中回归损失使用的是 L2函数，到Fast- RCNN中使用的是smoothed L1 

相当于是在小于1的部分使用2范数（更smooth，且求导方便）,在大于1的部分使用1范数(避免梯度爆炸，同时减少outlier（离群点）的影响)，一些离群点的如果使用L2的话，损失会很大，同时，对于远离真实值得输出，如果使用L2的话，稍微有一点偏差那么损失是平方级的。

 

4、模型结构

最后一个，也就是使用了多个级联的head（每个级别使用了不同的iou阈值，且不断升高）

b的结构是使用了想同的头也就是，共享参数？

5、处理流程

【论文笔记】：Cascade R-CNN: Delving into High Quality Object Detection
Activewaste
07-23 905
&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...
目标检测论文阅读 Cascade R-CNN: Delving into High Quality Object Detection
qq_45738761的博客
04-26 541
但问题在于，迭代过程中建议质量不断提升，而迭代检测始终使用同一个检测器H1，由上面的曲线图可知，一个检测器对于不同质量的ROI并不始终是最优的；论文该图分别展示了在IoU阈值为u = 0.5、0.6、0.7时训练的三个检测器的定位和检测性能：高IOU训练的检测器在输入高IOU样本时表现相对更好，反之亦然。如图d所示，训练检测器时简单地采用更高的预设值u并不能提升检测准确性，反而可能降低，这是因为区域提案倾向生成低质量的建议，提升u会导致正样本数量指数下降，导致严重的的过拟合。：设置的IOU阈值u的高低。
Cascade R-CNN: Delving into High Quality Object Detection
椰子奶糖的博客
08-22 442
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
Cascade R-CNN：Delving into HIgh Quality Object Detection
xh_hit的博客
09-18 493
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 rcnn:delving into high quality object detection
liguandong
12-14 2705
轻松掌握 MMDetection 中常用算法(五)：Cascade R-CNN - 知乎文@ 0000070 摘要本篇主要介绍目前主流常用的高性能目标检测算法中最广为人知的算法之一 Cascade R-CNN。Cascade R-CNN 来自论文 Cascade R-CNN: High Quality Object Detection and Instance Segmentation，主要 …https://zhuanlan.zhihu.com/p/360952172Cascade RCNN算法笔记_AI
目标检测论文阅读 YOLO You Only Look Once:Unified, Real-Time Object Detection
最新发布
qq_45738761的博客
04-27 770
预训练使用224*224的图像训练ImageNet，预训练好后使用预训练网络的前20个卷积层+平均池化层+全连接层，（其他论文说明：在预训练的网络中同时添加卷积层和连接层可以提高性能）再加4层卷积和2层全连接(随机初始化权重)去训练检测任务，输入大小为448×448。利用图像的宽和高对box的宽和高做归一化，使其介于0和1之间(box的宽高/原图像的宽高)。（3）此外，小的bbox的偏差应当比大的bbox同尺寸的偏差影响要大，解决方法：使用bbox的宽和高的平方根来计算，而不是宽和高本身。
目标检测论文阅读 Mask R-CNN
qq_45738761的博客
04-27 965
然后把p5上采样，得到256*50*76，这个p5上采样结果加上res4的1*1卷积结果，得到256*50*76，再来个3*3卷积得到p4。如此一来，FPN的输出即为：[p2: 256*200*304, p3: 256*100*152, p4: 256*50*76, p5: 256*25*38, p6: 256*13*19]。这两个都是用在rpn之后的。图像中存在不同大小的目标，而不同的目标具有不同的特征，所以我们需要特征金字塔来利用浅层的特征将简单的目标区分开，利用深层的特征将复杂的目标区分开。
Cascade R-CNN训练自己的数据
m_buddy的博客
03-07 7958
1. 前言 Cascade RCNN是目标检测非常不错的一种方法，没有过分强调主干网络，而是采用层叠的方式提高IOU阈值来提纯样本，对不同的主干网络都能取得2~4个点的提升。这里使用的是Cascade RCNN example下的vgg-9s-600-rpn-cascade模型，这里的9s代表的是有9个anchor，600代表短边的尺寸，这里记录在使用这个代码训练自己的数据的过程，这里需要的目标检...
【论文】Cascade R-CNN: Delving into High Quality Object Detection
梦想是要有的，万一实现了呢！
04-19 877
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
【论文翻译】Cascade R-CNN: Delving into High Quality Object Detection
孙永杰的博客
03-18 2922
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
【译】Cascade R-CNN：Delving into High Quality Object Detection论文翻译
qq_27725245的博客
04-11 1523
CVPR 2018年论文：Cascade R-CNN论文地址：https://arxiv.org/abs/1712.00726----------------------------------------------------------------------------------------------------博主也是正在看这篇论文，实时翻译上传。看完后会有总结文章。--------...
【论文解析】Cascade R-CNN: Delving into High Quality Object Detection
Luissen的博客
12-15 493
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）
绘视科技
10-19 1002
Cascade R-CNN：Delving into High Quality Object Detection）文章解读：1 创新点2 网络示意图算法思路1 backbone2 neck3 head4 总结 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； 文章基于上述出发点： （a）中u=0.5也是常用的正负样本界
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 4673
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
【论文阅读笔记】Cascade R-CNN: Delving into High Quality Object Detection
梁瑛平的博客
03-03 348
【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...
[论文阅读]Cascade RCNN|Cascade R-CNN: Delving into High Quality Object Detection
一碗白开水一
08-11 445
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
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
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