1. Cascade RCNN

• Input IoU가 높을수록 높은 IoU 높은 IoU threshold에서 학습된 model이 더 좋은 결과를 낸다.

1-1. Motivation

• 학습되는 IoU 에 따라 대응 가능한 IoU 박스가 다르다
• high quality detection을 수행하기 위해선 IoU threshold를 높여 학습할 필요가 있다 → 성능 하락 문제

1-2. Method

• IoU threshold를 다양화 시켜보자 → IoU threshold가 다른 classifier C1,C2,C3
• loss :→ C1, C2, C3의 classifier loss의 합
• Inference → C1, C2, C3의 confidence의 평균 사용
• 성능 큰 향상 X

• IoU threshold가 다른 여러 개의 RoI head 학습
• C3, B3가 최종결과
• Bbox pooling을 반복 수행할 시 성능 향상되는 것을 증명 (Iterative)
• IOU threshold가 다른 Classifier가 반복될 때 성능 향상 증명 (Integral)
• IOU threshold가 다른 RoI head를 cascade로 쌓을 시 성능 향상 증명 (Cascade)

2. Deformable Convolution Networks

2-1. Motivation

• CNN의 문제점→ geometric transformations에 약함

  • 기존 해결 방법

    • Geometric augmentation

    • Geometric invariant feature engineering

      

• Deformable Convolution을 제안함