Cascade RCNN
发布日期:2021-06-29 12:25:52
浏览次数:3
分类:技术文章
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!
发表评论
最新留言
路过按个爪印,很不错,赞一个!
[***.219.124.196]2024年05月01日 06时13分06秒
关于作者
喝酒易醉,品茶养心,人生如梦,品茶悟道,何以解忧?唯有杜康!
-- 愿君每日到此一游!
推荐文章
互联网安全威胁及应对方案
2019-04-29
老程序员都去哪儿了?
2019-04-29
滴滴全链路压测解决之道
2019-04-29
IT人的八大修炼神器
2019-04-29
设计和实现一款轻量级的爬虫框架
2019-04-29
域名劫持
2019-04-29
程序员幸福指南
2019-04-29
你所不知道的库存超限做法
2019-04-29
文末福利 | 只送给真正想学英语的你!
2019-04-29
cdn技术原理
2019-04-29
日志系统诞生记
2019-04-29
为什么程序员加班有罪?
2019-04-29
不用加法求两数之和
2019-04-29
微服务架构下的测试之道
2019-04-29
二月送书
2019-04-29
当下火热的大数据视频,免费送(含源码)
2019-04-29
秒杀安全
2019-04-29
我的六年程序生涯
2019-04-29
一张图看懂马斯克
2019-04-29
马斯克:SpaceX成功的背后,经历了18次失败、被骂是骗子、几近破产
2019-04-29