【论文】Cascade R-CNN: Delving into High Quality Object Detection

速览

• • 问题提出
  • 模型对比
  • 模型提出
  • Results
  • SOTA comparison

📄：Cascade R-CNN: Delving into High Quality Object Detection
🔗：https://openaccess.thecvf.com/content_cvpr_2018/html/Cai_Cascade_R-CNN_Delving_CVPR_2018_paper.html
💻：https://github.com/zhaoweicai/cascade-rcnn

Cascade R-CNN算法是CVPR2018的文章，通过级联几个检测网络达到不断优化预测结果的目的。与普通级联不同的是，cascade R-CNN的几个检测网络是基于不同IOU阈值确定的正负样本上训练得到的，这是该算法的一大亮点。

问题提出

在目标检测问题中，不同的IoU阈值用于区分正负样本。低阈值（IoU=0.5）会导致引入许多噪音，但如果增加阈值，则正样本数量会指数减少。这会带来两个问题：

1. 在训练阶段正样本的过拟合问题
2. 带来更严重的mismatch: 在training阶段和inference阶段，bbox回归器的输入分布是不一样的，training阶段的输入proposals质量更高(被采样过，IoU>threshold)，inference阶段的输入proposals质量相对较差（没有被采样过，可能包括很多IoU<threshold的）。通常选取IoU阈值=0.5时，mismatch不会很严重。在training阶段，由于知道ground truth，所以可以很自然的把与gt的iou大于threshold（0.5）的Proposals作为正样本，这些正样本参与之后的bbox回归学习。在inference阶段，由于我们不知道gt，所以只能把所有的proposal都当做正样本，让后面的bbox回归器回归坐标。

模型对比

(d)是本文提出的Cascade R-CNN结构。
与(b)不同的是，iterative Box at inference中所有的H都是一样的。 可以用公式$$f^{\prime }(x,b)=f\circ f\circ ...\circ f(x,b)$$表示，其中b是bounding box ($b=(b_x,b_y,b_w,b_h)$),每一次Bounding box regression的输出作为下一次的输入。但这会带来两个问题：

1. 当IoU的阈值(u)选为0.5时，对于更高的IoU不是最优的选择。每一次迭代会抑制IoU > 0.85的结果。如下图，当u=0.5的时候，当input IoU>0.85时，Output IoU会低于InPut IoU。
   
2. 当每一次经过阈值采样过后，分布会发生变化。如果每次使用同一阈值进行采样迭代是不明智以及次优的。

而(c )的表达式为 $$L_{cls}(h(x),y)=\Sigma L_{cls}(h_u(x),y_u),$$ 是一个集合模型，使用不同的阈值来优化具有不同quality levels的loss function。但他并没有考虑到在不同阈值下，正样本数量的变化。这会使得学习过程中那些高质量的区间更容易过拟合。

模型提出

本文提出的Cascade Bounding Box Regression具有表达式 $$f(x,b)=f_T\circ f_{T-1}\circ ...\circ F_1(x,b),$$ 其中T是stage数量，而每一个$f_t$都依据$b_t$的sample distribution选择了最优的阈值，而不是像iterative Box一样使用同一阈值。
需要优化的损失函数为：$$L(x^t,g)=L_{cls}(h_t(x^t),y^t)+\lambda [y^t\ge 1]L_{loc}(f_t(x^t,b^t),g)$$其中$b^t=f_{t-1}(x^{t-1},b^{t-1})$(上一次的迭代结果），g为ground truth，$\lambda =1$为trade-off coefficient。

Results

当加入ground truth时（右图），u=0.7时有了明显的提升（相比左图）。这表明：

1. u = 0.5 对于精确检验不是一个好的阈值。仅仅是对于低质量的proposal有鲁棒性。
2. 高质量的识别需要有高质量的proposal作为支撑。
   

当使用更精确的假设时，每个检测器都得到了改进，而更高质量的检测器具有更大的增益。 例如，u = 0.7 的检测器对于第一阶段的低质量建议表现不佳，但对于更深级联阶段可用的更精确假设则要好得多。

SOTA comparison