本文共 709 字，大约阅读时间需要 2 分钟。

解决两个问题：

1、低IOU时造成大量噪声框，高IOU时带来过拟合问题。

2、不同IOU阈值训练的Detector对不同IOU的Input(Foreground)的回归效果不同。

1、低IOU时造成大量噪声框，高IOU时带来过拟合问题。

低IOU和高IOU效果对比(低IOU的缺点)：

高IOU时样本不足(高IOU的缺点)过拟合：

2、不同IOU阈值训练的Detector对不同IOU的Input(Foreground)的回归效果不同。

如果只采用单一检测器的话：

传统Faster RCNN：

Faster RCNN以同样的网络，进行多次迭代计算：

差就差在，我们的网络结构在训练的时候，也就是H1，是采用原始的样本，阈值固定为如0.5进行训练的。

可是每次经过迭代后的proposals的分布已经发生了改变，网络还是原始的网络，也就是：

造成结果不良。

 共享H1结构的多次迭代结果：

另一种结构，共享pooling层，三个不同阈值分支预测ensample：

Cascade RCNN：

我们看到，每次得到的结果进行resample，大的IOU阈值的proposals反而增多：

 输出分布结果：

最后来一张结果：

结论：

• 每一个stage的detector都不会过拟合，都有足够满足阈值条件的样本。
• 更深层的detector也就可以优化更大阈值的proposals。
• 每个stage的H不相同，意味着可以适应多级的分布。
• 在inference时，虽然最开始RPN提出的proposals质量依然不高，但在每经过一个stage后质量都会提高，从而和有更高IoU阈值的detector之间不会有很严重的mismatch。

转载地址：https://bupt-xbz.blog.csdn.net/article/details/105329380 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！