目标检测学习笔记——CascadeRcnn

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。
在这里插入图片描述
在这里插入图片描述

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

phily123

我还没有学会写个人说明!

暂无评论

发表评论

相关推荐

两阶段目标检测的开山奠基之作:R-CNN

首次将深度学习和卷积神经网络用于目标检测并取得显著性能提升。 图像分类、定位、目标检测、语义分割、实例分割、关键点检测(关节等等输出点的坐标) 图像分类(输入图像输出类别)目标检测&#xf