论文：Cascade R-CNN Delving into High Quality Object Detection
论文链接：https://arxiv.org/abs/1712.00726
代码链接：https://github.com/zhaoweicai/cascade-rcnn
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，与普通级联不同的是，cascade R-CNN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，这是该算法的一大亮点。cascade R-CNN的实验大部分是在COCO数据集做的，而且效果非常出彩。
上图全是H1 下图是H1 H2 H3 注意区别，代表不同的是三个不同的detector-head，各自训练的。
简单讲cascade R-CNN是由一系列的检测模型组成，每个检测模型都基于不同IOU阈值的正负样本训练得到，前一个检测模型的输出作为后一个检测模型的输入，因此是stage by stage的训练方式，而且越往后的检测模型，其界定正负样本的IOU阈值是不断上升的。
这个博客详细 实验部分没细说： 图画的容易理解 而且有实现的pytorch代码
https://zhuanlan.zhihu.com/p/42553957
https://github.com/guoruoqian/cascade-rcnn_Pytorch 代码地址
损失函数：
实验部分：
https://blog.csdn.net/u014380165/article/details/80602027
https://segmentfault.com/a/1190000022160962
版权声明：本文为CSDN博主「zqx951102」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/zqx951102/article/details/121366512
暂无评论