【译】Cascade R-CNN：Delving into High Quality Object Detection论文翻译

最新推荐文章于 2022-04-20 20:04:20 发布

qq_27725245

最新推荐文章于 2022-04-20 20:04:20 发布

阅读量1.5k

点赞数 1

CC 4.0 BY-SA版权

本文链接：https://blog.csdn.net/qq_27725245/article/details/79897750

CascadeR-CNN是一种用于目标检测的多阶段结构，通过一系列随着IOU临界值增加而训练的检测器来提高检测质量。它解决了由于正样本数量减少导致的过拟合问题，并在推理过程中实现了假设和检测器质量的匹配。实验证明，该方法能够显著提升不同检测器的性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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。

-----------------------------------------------------------------------------------------------------

级联R-CNN：深入高品质目标检测

摘要

在目标检测中，IOU临界值用来定义正样本和负样本。一个目标检测器，由低的IOU临界值比如0.5来训练，经常会产生noisy检测结果。然而，随着增加IOU临界值，检测的效果就会下降。主要是有与两个因素：

1）训练过程中的overfitting，由于正样本的指数消失

2）检测器最优的IoU与输入假设的IoU之间的inference-timemismatch。

一个多阶段的目标检测结构，级联R-CNN被提出来解决这些问题。它由一系列随着IOU临界值增加而训练的检测器构成，从而对close false positives更具有选择性。检测器逐阶段训练，利用检测器的输出是一个好的分布来训练下一个更好品质的检测器。对逐渐改进的假设进行重采样来保证所有的检测器由一组同等大小的正样本，从而来减少过拟合问题。在inference应用同样的级联程序，使得每一个阶段的假设和检测器质量有一个更近的匹配。级联R-CNN的一个简单实现超过了在COCO数据集挑战上的所有single-model目标检测器。实验也展示了级联R-CNN能广泛应用于不同的检测其结构，获得与基础检测器强度无关的一致增益。

简介