Haar特征和级联分类器目标检测算法手动截取目标 目标检测分类器分类

一、概述

• cascade中文释义为级联，顾名思义，Cascade RCNN网络结构就是级联的检测器。
• Cascade RCNN是针对RCNN系列检测器提出的通用结构，可将faster RCNN、FPN、R-FCN等RCNN检测器检测性能提高2-4%，效果可谓十分强大。
• Cascade RCNN如何进行检测器级联？其依据又是什么？请往下看。

二、Motivation

• RCNN系列检测器（目标检测框架）的整体框架可分为两个模块：①RPN模块，负责从输入图像中生成正负类的proposals，②检测模块，负责对RPN生成的proposals完成分类和边框回归。在检测模块中，需要对RPN传入的proposals分类，分类依据是与ground truth的Iou，目前的常用设置是：将proposal与ground truth的Iou大于0.5的视为正类样本（具体类别取决于ground truth的类别），将Iou小于0.3的视为负类样本。一个自然的想法是：如果将proposals判定为正类的阈值提高，意味着正类proposal的质量更好，那么检测效果会不会更好？ 乍一想，可行，再一想，不太行。主要原因是：随着阈值的提高，得到的正类proposal会更少，使模型过拟合。
• 另外，这种region-based的检测器还存在另外一个问题，inference-time mismatch。作者通过实验发现，在某个Iou下训练的检测器推理时对近似Iou的proposal是最优的。在训练检测器时，我们总可以通过proposal与ground truth的Iou得到一定数量和比例的正负类样本，在推理阶段，对RPN生成的所有proposal都要进行推理：①下图左图：不同颜色的线条代表不同Iou下训练的检测器；横轴代表推理时输入检测器的proposal的Iou阈值（举例：横坐标为0.55，表示送入检测器的proposal与ground truth的Iou最小为0.55），纵轴代表检测的检测结果与ground truth的Iou。从这张图可以得出两个结论：第一，较小Iou下训练的检测器（不同颜色的线条）在输入Iou较小时性能更好，在输入Iou较大时性能更差；第二，某一Iou下训练的检测器对该Iou下检测性能最好。②下图右图：不同颜色的线条代表不同Iou下训练的检测器；横轴代表将检测结果判定为正类的Iou阈值，纵轴代表某一Iou阈值下检测器的AP值。从这张图我们可以得出一个结论：小Iou阈值下训练的检测器比大Iou训练的检测器在检测阈值较小的情况下性能更好，反之。

• 上面为了让读者尽可能理解，絮絮叨叨讲了一大堆，用原文中的一句话总结一下：The basic idea is that a single detector can only be optimal for a single quality level，就是说，在某一Iou阈值下训练的检测器对类似Iou的输入检测效果更好。同时从上图我们也可以发现，检测结果的Iou总是优于输入的Iou
• 将上面两点结合起来，就产生了一个非常自然的想法：检测器级联。将小Iou的输入送入第一个检测器，该检测器训练时判断为正类的阈值设置为与该Iou接近，这样可以得到较好的检测性能；得到的检测结果再送入第二个检测器（此时这些检测结果相对于ground truth的Iou比输入更高），第二个检测器训练时判断为正类的阈值设置为更高……如此，就将多个检测器级联了起来。
• 当然，对检测器进行级联的想法很早就有人提出了，那么Cascade RCNN对检测器级联的方式与其它检测器级联又有何不同呢？

三、Related work

3.1 多级回归(Iterative BBox)

• 上图是多级回归结构的示意图：conv是特征提取网络，B0是预先生成的proposals，pool是池化层，H1是检测器，C是对每个propposal的分类结果，B是对每个proposal的边框回归结果。首先训练得到检测器H1，再重复使用H1，形成一个三级检测的结构，每一级检测器均对上一级检测器得到的bounding boxes进行回归。C3和B3是最终的检测结果。
• 由之前的论述，某一Iou阈值下训练的检测器只对近似Iou下的输入检测性能最优。采用这种级联的方式后，后两级检测器的输入的Iou相比训练时的阈值越来越高，导致检测效果变差。
• 另外，作者通过实验发现，推理阶段各级检测器的输入数据的分布也是不一致的，导致二三级检测器无法达到最优检测效果，实验图如下。

3.2 多级分类(Integral Loss)

• 多级分类结构示意图如上所示，该结构使用了多个不同的检测器，第一个检测器既得到proposal的类别，又对其边框进行回归，后两个检测器只对其类别进行修正。训练时，这三个检测器同时训练，均获得池化后的proposals，所不同的是，靠后的检测器训练时将proposals判定为正类样本的阈值设置的更高。训练网络计算分类误差时，将三个检测器的误差累加。
• 这种级联方式的缺陷是：对RPN生成的proposals，后两级检测器因为使用了更高的Iou阈值，导致得到的正类样本过少，因而会发生过拟合问题。下图是作者统计的RPN网络得到的proposals在不同Iou下的数据分布。可见，随着Iou阈值的提高，正类样本越来越少。

四、Cascade RCNN

• 上述两种检测器级联方式除了各自的缺点外，还有个公共缺点，inference-time mismatch，这个缺点在本文开篇就详细论述了。那么Cascade RCNN是如何解决这些问题的呢？

• 上图是Cascade RCNN结构图。该结构使用了三个检测器，每个检测器均接受上一级检测器的边框回归结果作为输入，三个检测器将proposal判定为正类的Iou阈值逐渐升高(0.5, 0.6, 0.7)
• 利用这种结构和Iou阈值的设置，解决了开篇提到的两个问题。首先，每一级检测器得到的输出的Iou都比其输入高，将其送入高Iou阈值训练出的下一级检测器，可以实现输入proposal的Iou与检测器的训练Iou尽可能匹配的目的。其次，在推理阶段，通过这种检测器级联的方式，后两级检测器接受的输入都是正类样本居多，因而可以避免inference-time mismatch问题。

五、实验部分

5.1 单独分析各级检测器在不同IOU输入下的性能

5.2 各级检测器的检测性能

5.3 Cascade RCNN与多级回归、多级分类的对比

5.4 一些消融实验(Ablation Experiments)

5.5 与现有模型的对比

六、总结

• 首先，这篇论文的行文逻辑非常值得学习，先讲别人做的为什么不好，再讲我为什么要这么做，依据是什么（实验），再引出我的工作，令人信服。
• 从论文内容来说，作者提出的两个点非常有趣：一是检测器IOU阈值与训练样本IOU阈值的匹配问题，二是推理阶段的mismatch问题。能不能不用检测器级联的方式解决inference-time mismatch问题？值得思考