论文：
Cascade R-CNN: Delving into High Quality Object Detection (2017.12.3)
链接：https://arxiv.org/abs/1712.00726
Cascade R-CNN: High Quality Object Detection and Instance Segmentation (2019.6.24)
链接：https://arxiv.org/abs/1906.09756
作者：Zhaowei Cai, Nuno Vasconcelos
代码：https://github.com/zhaoweicai/cascade-rcnn(Caffe) 与 https://github.com/zhaoweicai/Detectron-Cascade-RCNN (Detectron)

---

R-CNN系列其他文章：

• R-CNN算法解读
• SPPNet算法解读
• Fast R-CNN算法解读
• Faster R-CNN算法解读
• Mask R-CNN算法解读
• Cascade R-CNN算法解读
• Libra R-CNN算法解读

---

1、算法概述

目标检测算法中，训练用的正负样本是通过IoU阈值来定义的，低IoU阈值（比如0.5）通常会产生噪声检测。然而，随着IoU阈值的增加，检测性能趋于下降。作者认为主要有以下两点原因，一是由于IoU阈值增加会导致正样本减少，训练过程中容易造成过拟合；二是在推理阶段模型最优的IoU与输入预测的IoU 之间会产生不匹配。为了应对上述问题，作者提出了Cascade R-CNN，它由一系列经过IoU阈值训练的检测器组成，从而对接近的误报（困难负样本）具有更强的选择性。检测器是分阶段训练的，为了减少过拟合问题。在推理中应用了相同的级联过程，使得每个阶段的假设和检测器质量之间的匹配更加紧密。

---

2、Cascade R-CNN细节

作者给出了Cascade R-CNN与Faster R-CNN流程对比图，如下图所示。

图(a)代表Faster R-CNN，图中包含两个阶段，H0,B0,C0代表第一个阶段，用于提出候选区域，也就是Faster R-CNN中的RPN网络结构，RPN网络的输出B0代表输出的候选框，B0再应用ROI pooling经过后续检测头H1得到最终的输出C1和B1。
而图(d)就是作者所提的Cascade R-CNN结构，作者认为要求单一回归量在所有质量水平上（即不同IoU样本）表现完全一致是非常困难的。受到姿态回归和人脸对齐的启发，作者将复杂的回归任务分解为一系列更简单的步骤。

T代表总共包含T个级联回归器，且每个级联回归器都是在当前样本{bt}分布下是最优的。论文中，作者通过实验取T值为3。

图(d)看起来和图(b)的框架图一样，但有着如下三点不同：

1. 图(b)只是Faster R-CNN在做推理时的优化改进，迭代BBox是一种用于改进边界框的后处理过程，而图(d)的分层回归是一种重采样过程，它改变了不同阶段要处理的假设的分布。
2. 由于图(d)同时用于训练和推理，所以训练分布和推断分布之间没有差异。
3. 图(d)是针对不同阶段的重采样分布，对多个专门化回归量{fT，fT−1，···，f1}进行优化。这与图(b)中用同一个回归器迭代推断方式相反，它只对初始分布是最优的。这些差异使定位比迭代推断更精确。图(b)的迭代推理方式可用公式表示如下：
   
   它只会优化一个回归器，但推理迭代的时候根据不同IoU值重复迭代使用，这种方式是次优的，且后续需要大量的人工参与，比如累计提议、预测投票等方式。