本文主要是介绍PaddleDetection算法分析(12)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
2021SC@SDUSC
接下来分析PaddleDetection的竞赛冠军模型
CascadeCA RCNN是百度视觉技术部在Google AI Open Images 2019-Object Detction比赛中的最佳单模型，该单模型助力团队在500多参数队伍中取得第二名。Open Images Dataset V5(OIDV5)包含500个类别、173W训练图像和超过1400W个标注边框，是目前已知规模最大的目标检测公开数据集，数据集地址：Open Images V6。团队在比赛中的技术方案报告地址：https://arxiv.org/pdf/1911.07171.pdf
1、模型原理
在two-stage模型中，常见都会预测得到一些目标对象的候选框，这个候选框跟真实值之间一般通过交叉面积(IOU)的计算来判断该框是否为正样本，要保留的候选框。常见的IOU参数设置一般是0.5，但是这种0.5参数的设置一般会导致很多无效的对象，如下的左图所示，而当这个参数设置为0.7的时候就会得到如右图更加清晰的。
但是设置0.7的时候又会带来什么问题呢，不可避免会漏掉一些目标框，特别是微小目标，同时由于正样本数量太少，容易出现过按拟合的现象。
那么cascade-rcnn的重点就是在解决这个IOU参数设置的问题，他设置了一个级联检测的办法来实现。如下图的d子图所示：
在d图中，可以明显看出其级联特性，与b图相比，其每次的IOU参数都是不一样，正常设置为0.5，0.6，0.7。
通过这种方式，可以实现对候选框的级联优化检测。如mmdetection中的cascade-rcnn的配置如下：
rcnn=[dict(assigner=dict(type='MaxIoUAssigner',pos_iou_thr=0.5,neg_iou_thr=0.5,min_pos_iou=0.5,ignore_iof_thr=-1),sampler=dict(type='RandomSampler',num=512,pos_fraction=0.25,neg_pos_ub=-1,add_gt_as_proposals=True),pos_weight=-1,debug=False),dict(assigner=dict(type='MaxIoUAssigner',pos_iou_thr=0.6,neg_iou_thr=0.6,min_pos_iou=0.6,ignore_iof_thr=-1),sampler=dict(type='RandomSampler',num=512,pos_fraction=0.25,neg_pos_ub=-1,add_gt_as_proposals=True),pos_weight=-1,debug=False),dict(assigner=dict(type='MaxIoUAssigner',pos_iou_thr=0.7,neg_iou_thr=0.7,min_pos_iou=0.7,ignore_iof_thr=-1),sampler=dict(type='RandomSampler',num=512,pos_fraction=0.25,neg_pos_ub=-1,add_gt_as_proposals=True),pos_weight=-1,debug=False)],
2. 实验
在mmdetection中，通过几行代码即可以实现利用该模型进行测试。如下所示：
检测效果如下，不过与faster_rcnn相比，这个预训练模型效果并没有来得好。
这篇关于PaddleDetection算法分析(12)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
