엄격한 기준의 어려움
양성 예시의 IoU 기준을 높이면 위치가 정확한 사례를 학습할 수 있지만 양성 표본 수가 줄어든다. 검출기에 적합한 후보 품질과 실제 입력 후보 사이의 차이도 문제가 된다.
단계별 검출기
Cascade R-CNN은 점차 높은 IoU 기준으로 학습한 검출기를 순서대로 배치한다. 앞 단계의 출력이 다음 단계에서 요구하는 더 높은 품질의 학습 후보가 되도록 구성한다.
개선된 후보의 재사용
보정된 후보를 다시 표본으로 사용해 뒤 단계에서도 양성 예시를 확보한다. 이를 통해 엄격한 기준만 적용했을 때 발생하는 표본 부족과 과적합 문제를 줄이려 한다.
추론에서도 같은 흐름
추론에서도 후보를 여러 검출 단계로 차례로 통과시킨다. 각 단계의 검출 기준과 입력 후보의 품질이 더 잘 맞도록 하며 COCO에서 여러 검출 구조에 적용해 평가했다.
관련 문서
Dynamic R-CNN / Libra R-CNN / Guided Anchoring / GIoU / DIoU / ATSS