原文链接：https://blog.csdn.net/stu_shanghui/article/details/92107050
论文链接：Cascade R-CNN: Delving into High Quality Object Detection
代码链接：https://github.com/zhaoweicai/cascade-rcnn
特点：级联不同IOU阈值（界定正负样本）的输出，使不同IOU值检测与其相对应的IOU值的目标
1.对IOU阈值设置问题进行了详细的分析
Input IOU是输入proposal与ground truth的IOU值；
Output IOU是输出的proposal与ground truth的IOU值
图（c）中可以看出，使用某个阈值界定正负样本时，当输入proposal的IOU在这个阈值附近时，检测效果是最好的；换句话说就是：如果输入IOU与设置的阈值接近，则这个模型的检测检测结果会比其他输入IOU的模型好。
2.级联结构
级联各个检测模型，设置不同的IOU阈值界定样本训练模型，前一个检测模型的输出是后一个检测模型的输入，IOU值一直上升。
问题：为什么使用级联？
①图（c）结论：不同的IOU阈值训练得到的检测模型对不同IOU的输入proposal的效果差别较大，因此希望训练每个检测模型用的IOU阈值要尽可能和输入proposal的IOU接近
②图（c）可以看出，输出IOU值都大于输入IOU值，递增的关系，上个一stage的输出就可以作为下一个stage的输入
Cascade RCNN的中心思想：
使用不同的IOU阈值划分正负样本，让每一个stage的detector都专注于检测IOU在某一范围内的proposal，因为输出IOU普遍大于输入IOU，因此检测效果会越来越好。
3.cascade结构
图（a）是Faster-rcnn的结构（但是没有明白这个C0是干什么的）
图（b）是迭代式的bbox结构，一轮一轮的进行都是在最初的数据上进行
图（c）是Integral Loss，基于不同的IOU值训练模型，模型之间没有联系
图（d）是cascade RCNN结构，与图（b）不同的是检测模型基于前一个模型，而b中都是基于最初的数据
4.损失函数
位置损失函数，与Fast-RCNN中使用的一致，都是L1损失
分类损失，交叉熵损失函数
5.结果
COCO数据集测试
附飞桨课件
