版权声明：本文为博主原创文章，转载请附上博文链接！ https://blog.csdn.net/m0_37263345/article/details/90550459
一、论文
Cascade R-CNN: Delving into High Quality Object Detection
https://arxiv.org/abs/1712.00726
https://github.com/zhaoweicai/cascade-rcnn
二、论文笔记
1、背景
a)、阈值设的太小，正负样本比例失衡，负样本太多，使得检测器对于有较大的阈值的错误框检测不够灵敏。
b)、阈值设的太大，数据量少导致检测器性能下降，以及过拟合。
2、想法
使用一个多阶段的R-CNN（基于两阶段的Faster-RCNN)，使用前面阶段的模型的输出训练下一个模型，因为每个模型的输出的iou总是好过它输入的iou
3、细节 R-CNN中回归损失使用的是 L2函数，到Fast- RCNN中使用的是smoothed L1
相当于是在小于1的部分使用2范数（更smooth，且求导方便）,在大于1的部分使用1范数(避免梯度爆炸，同时减少outlier（离群点）的影响)，一些离群点的如果使用L2的话，损失会很大，同时，对于远离真实值得输出，如果使用L2的话，稍微有一点偏差那么损失是平方级的。
4、模型结构
最后一个，也就是使用了多个级联的head（每个级别使用了不同的iou阈值，且不断升高）
b的结构是使用了想同的头也就是，共享参数？
5、处理流程
