Cascade R-CNN的一些記錄

《Cascade R-CNN: Delving into High Quality Object Detection》CVPR2018的一篇文章

論文鏈接：https://arxiv.org/abs/1712.00726?
代碼鏈接：https://github.com/zhaoweicai/cascade-rcnn

參考鏈接：https://blog.csdn.net/qq_21949357/article/details/80046867

本文主要針對的是目標(biāo)檢測問題中的IoU閾值選取問題，眾所周知，閾值選取越大就越容易得到高質(zhì)量的樣本，但是一味選取高的閾值會引發(fā)兩個問題：

• 樣本減少引發(fā)的過擬合
• 在train和inference使用不一樣的閾值很容易導(dǎo)致mismatch。(只有輸入的region proposal自身的IOU值和訓(xùn)練器訓(xùn)練用的設(shè)定IOU閾值較為接近的時候，訓(xùn)練器輸出的IOU值才會高即性能才好)

為了解決上述兩個問題就提出了一種基于Faster-RCNN的muti-stage的architecture，核心就是利用不斷提高的閾值，在保證正例樣本數(shù)不減少的情況下訓(xùn)練出高質(zhì)量的檢測器

Abstract

在目標(biāo)檢測中需要一個IOU值來區(qū)分樣本的正負(fù)樣例，檢測器使用較低的IOU值訓(xùn)練時會產(chǎn)生噪聲監(jiān)測，但是使用的IOU閾值變大時會造成檢測效果下降，這主要由兩個原因造成，IOU值變大時正例樣本指數(shù)級消失導(dǎo)致過擬合和在train和inference使用不一樣的閾值很容易導(dǎo)致mismatch。

級聯(lián)RCNN包括一系列IOU逐漸增大的檢測器，并且是一步一步訓(xùn)練，上一個檢測器的輸出作為下一個檢測器的輸入，因為對一個檢測器來說輸出的IOU值會比輸入的IOU更高。

1 Introduction

目標(biāo)檢測兩個主要問題：識別分類問題，從背景中識別前景物體并正確分類；定位問題，給不同的目標(biāo)準(zhǔn)確的邊界框。

級聯(lián)R-CNN的來源：一個檢測器只能在一個質(zhì)量水平（quality level）上表現(xiàn)的很好，這是從代價敏感學(xué)習(xí)中得出的：ROC曲線不同點的優(yōu)化需要不同的損失函數(shù)，不同的是論文中是優(yōu)化IOU閾值而不是假陽率。

從圖中看出，如果提供高質(zhì)量（高IOU）的輸入則檢測器也有較好的效果，但是隨著輸入數(shù)據(jù)的IOU的持續(xù)升高，檢測器效果會下降（因為過擬合），

級聯(lián)R-CNN可以用任意的兩步階段結(jié)構(gòu)的R-CNN建立。

2 Related Work

RetinaNet解決密集物體檢測，前景和背景極端不平衡問題，并取得了比兩步的目標(biāo)檢測更好的效果。

3、Object Detection

基于Faster-RCNN，第一步proposal subnetwork（RPN網(wǎng)絡(luò)）生成候選框H0，第二步是ROI池化層H1，將不同大小候選框在特征圖上的映射patch，把映射的patch采樣成固定大小的特征，和SPP類似，但只是用一個尺度（一個patch不論大小就劃分為4個部分）進(jìn)行劃分。分類器是C，邊界框是B

3.1 Bounding box regression

邊界框b=（bx,by,bw,bh）,邊界框回歸f(x,b)的作用是從候選邊界框中選出目標(biāo)邊界框，邊界框的損失函數(shù)在faster-RCNN中是L1損失函數(shù)，并通常用均值和方差正則化處理。在FatserRCNN中一個單獨的邊界框回歸器f不能解決精確定位的問題，所以使用Bbox，但是Bbox中IOU的值固定（單一閾值即使用的是完全相同的級聯(lián)結(jié)構(gòu)），所以IOU的值不一定一直是最優(yōu)的，并且邊界框的分布隨每次迭代變化很大。

(C0的結(jié)果是anchor中有目標(biāo)或者沒有目標(biāo))

3.2 Classification

分類器的函數(shù)是h（x），h（x）是后驗概率的M+1維估計，hk(x) = p(y = k|x)，通過最小化交叉熵?fù)p失來學(xué)習(xí)，

3.3 Detection Quality

如果IOU的值大于給定閾值，則認(rèn)為這個patch是這個類中的一個。

當(dāng)給定的IOU閾值大時，正例中包含很少的背景，但是正例數(shù)量會很少；當(dāng)小時，容易產(chǎn)生接近但不正確的判斷（假陽率高）。解決方法：傳統(tǒng)最容易想到的是使用分類器的集成，如圖c，Iterative Loss實際上沒有級聯(lián)結(jié)構(gòu)，從c圖可以看出來，它只是使用了不同的閾值來進(jìn)行分類，然后融合他們的結(jié)果進(jìn)行分類推理，并沒有同時進(jìn)行BBox reg，因此沒有解決 不同數(shù)量的正例數(shù)應(yīng)對應(yīng)不同的損失 的問題。

?

4、Cascade R-CNN

與Bbox不同的是，級聯(lián)RCnn通過重采樣改變了不同階段的輸入假設(shè)分布，并且通過重采樣保證了每個階段有足夠固定數(shù)量的正例樣本數(shù)。這就實現(xiàn)了沒有過擬合和更深層的訓(xùn)練階段可以有更高的IOU閾值.

• cascaded regression通過調(diào)整閾值的方式重采樣，不斷改變候選框region proposal的分布，而且cascaded重采樣后的每個檢測器，都對重采樣后的樣本proposals是最優(yōu)的，沒有mismatch問題。
• cascaded在train和inference時都會使用，因此并沒有偏差問題。
  
  其實像我這樣的入門者有很多不懂之處，歡迎指正。

總結(jié)

以上是生活随笔為你收集整理的Cascade R-CNN的一些记录的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。