[论文解读] Rethinking Classification and Localization for Cascade R-CNN.

Ang Li, Xue Yang+1 more|arXiv (Cornell University)|Jan 1, 2019

Advanced Neural Network Applications被引用 3

一句话总结

本文在级联R-CNN中提出了一种简单的特征共享机制，显著提升了所有IoU阈值下的检测性能，尤其是在低IoU情况下，且无需依赖测试集成。通过在所有阶段共享特征，该方法在COCO目标检测上实现了43.2 AP的性能，参数增加可忽略不计，优于以往的级联R-CNN版本。

ABSTRACT

We extend the state-of-the-art Cascade R-CNN with a simple feature sharing mechanism. Our approach focuses on the performance increases on high IoU but decreases on low IoU thresholds--a key problem this detector suffers from. Feature sharing is extremely helpful, our results show that given this mechanism embedded into all stages, we can easily narrow the gap between the last stage and preceding stages on low IoU thresholds without resorting to the commonly used testing ensemble but the network itself. We also observe obvious improvements on all IoU thresholds benefited from feature sharing, and the resulting cascade structure can easily match or exceed its counterparts, only with negligible extra parameters introduced. To push the envelope, we demonstrate 43.2 AP on COCO object detection without any bells and whistles including testing ensemble, surpassing previous Cascade R-CNN by a large margin. Our framework is easy to implement and we hope it can serve as a general and strong baseline for future research.

研究动机与目标

• 解决尽管在高IoU阈值上有所改进，但级联R-CNN在低IoU阈值上性能下降的问题。
• 通过在各阶段之间共享特征，缩小级联中早期与后期阶段之间的差距。
• 在不依赖测试集成技术的前提下，统一提升所有IoU阈值下的检测精度。
• 在仅增加极少参数的情况下保持高性能，确保模型效率。
• 为未来的目标检测研究建立一个强大且可泛化的基线。

提出的方法

• 提出一种特征共享机制，使特征在级联R-CNN架构的所有阶段之间共享。
• 对所有阶段（包括最终检测头）应用相同的特征共享策略。
• 利用共享特征稳定并提升整个级联过程中的特征表示，尤其在低IoU预测中表现更优。
• 保留原始级联结构，但通过提升各阶段间的特征一致性来增强性能。
• 采用标准训练与推理流程，无需额外的数据增强或测试集成。
• 通过架构改进实现性能提升，且参数开销极低。

实验结果

研究问题

• RQ1 在级联R-CNN中跨阶段共享特征是否能提升低IoU阈值下的性能？
• RQ2 特征共享是否能在不增加模型复杂度的前提下，在所有IoU阈值上带来一致的性能增益？
• RQ3 能否通过特征共享缩小级联R-CNN中早期与后期阶段之间的性能差距？
• RQ4 是否可能在不使用测试集成技术的前提下实现最先进性能？
• RQ5 该方法能否作为目标检测的强通用基线？

主要发现

• 所提出的特征共享机制显著提升了低IoU阈值下的性能，缩小了级联中早期与后期阶段之间的差距。
• 该方法在COCO目标检测上实现了43.2 AP，超越了以往所有级联R-CNN结果，且无需任何额外技巧（包括测试集成）。
• 所有IoU阈值均显示出明显改进，表明在不同检测难度级别下均实现了稳定增益。
• 性能提升仅带来可忽略的参数增加，保持了模型效率。
• 所得到的级联结构在性能上达到或超过其同类方法，展现出强大的泛化能力。
• 该框架实现简单，可作为未来目标检测研究的稳健基线。