参考链接： https://blog.csdn.net/qq_34562093/article/details/81569801
https://blog.csdn.net/Chunfengyanyulove/article/details/86414810
论文链接： https://arxiv.org/pdf/1712.00726.pdf
代码链接： https://link.csdn.net/?target=https%3A%2F%2Fgithub.com%2Fzhaoweicai%2Fcascade-rcnn
proposal的质量对模型的精度有很大的影响，训练过程中，rcnn 模型的正负样本是通过iou阈值来确定的，所以iou阈值越高rpn生成的正样本质量越高，精度也会有所提升，但是随着iou阈值的继续增大，模型精度显著下降。这是两个原因导致的：
1训练过程中iou阈值越高，正样本的个数也呈指数下降，这样会带来模型的过拟合。
2.训练阶段与inference时iou差别很多带来的mismatch（我的理解是训练时训练时的iou就是proposal与gt之间的iou，inference虽然没有用到gt，但gt实际是存在的，这时的iou就是proposal和实际要预测时隐含存在的gt。
通过实验可以发现不管多高的iou阈值，detector最终输出的iou相比较输出都会提升,可以利用这个来级联多个detector，每个stage的detector的iou阈值逐步提高，如0.5，0.6，0.7，将前一级的输出作为后一级detector的输入这样proposal的iou会得到提升，不会因为后一级较高的iou阈值而造成正样本的减少，同时也能提高模型的精度。
版权声明：本文为CSDN博主「phily123」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/phily123/article/details/121683326
暂无评论