Cascade R-CNN网络解析

效果

基于FPN+和ResNet-101的Cascade R-CNN在COCO上与最先进的单级模型比较如下：

创新点

该网络提出如下创新点：
1.随着IOU阈值的增加，检测性能趋于下降，这是因为正样本的数量呈指数减低，导致了训练的过拟合；
2.提出一种级联R-CNN，它由一系列随着IOU阈值的提高而训练的检测器组成；
3.如果输入IOU与设置的阈值接近，则这个模型的检测效果会比输入其他IOU的模型好。

网络结构

该网络通过设计级联的R-CNN网络，每个级联的R-CNN设置不同的IOU阈值，这样每个网络输出的准确度提升一点，并作为下一个更高精度的网络的输入，逐步提升了网络输出的准确度。

对于三级网络来说，Cascade R-CNN网络有四个阶段，一个RPN和三个检测IOU={0.5，0.6，0.7}。

阶段数量的影响

下表总结了阶段数的影响：

从表中可以看出，增加第二级明显提升了精度。AP50代表IOU为0.5，AP60代表IOU为0.6……，增加第四个阶段导致AP有轻微的下降。但是对于但对于高IOU级别的AP90，四阶段级联具有最佳的性能，三级级联实现了最佳的权衡。