成功的因素：

1.级联而非并联检测器

2.提升iou阈值训练级联检测器的同时不带来负面影响

核心思想：

区分正负样本的阈值u取值影响较大，加大iou阈值直观感受是可以增加准确率的，但是实际上不是，因为这时候正负样本不均衡，所以要做出改变；

所以得出的cascade R-CNN由一系列的检测模型组成，每个检测模型都基于不同IOU阈值的正负样本训练得到，

前一个检测模型的输出作为后一个检测模型的输入(高Iou的输入proposal能得到搞得output iou，且都是大于输入的)，因此是stage by stage的训练方式，而且越往后的检测模型，其界定正负样本的IOU阈值是不断上升的。

从图c可以看出，当一个检测模型采用某个阈值（假设u=0.6）来界定正负样本时，那么当输入proposal的IOU在这个阈值（u=0.6）附近时，

该检测模型比基于其他阈值训练的检测模型的效果要好，所以每个检测模型用的IOU阈值要尽可能和输入proposal的IOU接近。

Cascade R-CNN目标检测

图d的意思是，u表示训练检测模型时所用来区分正负样本的iou阈值；每条彩色线表示不同Iou训练出来的检测模型；

横坐标表示在检测的时候改变区分是否输出为目标的iou阈值，就是最后一步判断是否输出的阈值；

设计的结构如图4，前面的是其他的改进思路，采用这种结构的好处是，大的iou输入得到大的iou输出，每个stage的检测器针对某一范围iou的proposal来检测。

Cascade R-CNN目标检测

 

实验得到的结论有：1.仅有0.5的阈值设置并不能获得非常准确的检测，

　　　　　　　　　2.精确的检测需要有适合检测器质量的假设框，（requires hpypotheses that match the detector quality）

思考：能否将这一cascade思想迁移到SSD的检测框架中？

参考自：

https://www.codercto.com/a/25258.html

https://blog.csdn.net/u014380165/article/details/80602027