一、簡介
Cascade R-CNN是爲了解決訓練時用來定義FP和TP的IOU值選取的問題，並且提出了一種結構來利用該IOU值不同所帶來的好處，貢獻體現在對於定位能力的改進上，也就是IOU值。一般而言，這個值定爲了0.5，那麼其他的值呢？作者做了實驗，觀察到以下現象：
其中，圖(d)中繪製的是隨着定義TP的IOU閾值的變化，根據不同的u訓練出來的檢測器，AP的變化。可以看出來，在IOU較小的時候，根據u=0.5的效果最好，明顯好過了u=0.7，而隨着IOU的增加，u=0.7的檢測器逐漸顯示出優勢。
圖(c)中，x軸是RPN輸入的檢測器與GT的IOU值，y軸是輸出的IOU，當IOU<0.85的時候，所有的檢測器都能夠提升IOU的水平，也就是說輸出的IOU>輸入的IOU，而不同的u訓練出的檢測器在提升IOU上面的性能還不一樣，u=0.5的在0.5附近提升最明顯，而u=0.7的在0.7附近提升最明顯，這說明什麼呢，這說明訓練時選取TP的IOU閾值大小與它之後擅長處理的輸入IOU大小成正比。
TP的IOU值更大，意味着選取TP的標準更嚴格，會有更少的b-box被選取用來訓練，甚至可能會出現漏選的情況（由於標準過於嚴格），文中提到了 larger IoU thresholds leads to an exponentially smaller numbers of positive training samples，是一種指數級下降！過少的樣本會導致嚴重的欠擬合 。TP的IOU值更小，意味着標準更寬鬆，此時漏選的情況會少出現，但是選出的b-box會有更多的FP，質量不高。上面兩個圖觀察的現象就像是種瓜得瓜，種豆得豆，對於TP的選取標準越嚴格，檢測器也就更擅長處理高質量的b-box。這個原因嗎，當然是因爲訓練的時候出現的都是高質量的候選窗，網絡也就更擅長處理這些。當TP的選取標準低的時候，高質量的b-box少了，而網絡還要做的更好，它就要多在質量低的b-box上花些功夫。本質上，是由於輸入b-box分佈的改變，導致了網絡擅長的輸入改變。文中對於定義了兩種質量（評價質量好壞的那個質量，應該用品質）：
1. the quality of an hypothesis， 假設的品質，指的是輸入給檢測器的b-box品質。簡稱爲H品質
2. the quality of the detector，訓練時選取的IOU的大小（決定了我們對於detector檢測能力的期望）。簡稱爲D品質
則上面的觀察表明，這兩個方面的品質需要匹配，如果我們要使用更高D品質的檢測器，那麼我們就要提供高H品質的輸入，以發揮檢測器的效用；反之，如果我們的輸入是高H品質，那麼我們要使用高D品質的檢測器才能做到最好。本質上還是由於檢測器對輸入分佈的擬合，如果一種品質的輸入更好，那檢測器就需要在這個品質上做的更好，這樣更容易達成目標（檢測器是懶惰的）
這篇文章就是根據這個觀察，設計出了一種級聯(Cascade)的網絡，讓它先在低IOU的標準下學習，之後，提高IOU標準，放到下一層，以此類推。這樣，讓每一級都能學到與之IOU標準相近的能力，並且同時通過級聯來提高IOU（定位能力）。
二、結構和損失
結構就比較簡單了，結構如下：
(d)就是它的結構。
損失如下，對於上一級輸出的b_t，這一級的損失爲：
其中，x^t是輸出的一個b-box，g是與之匹配的ground truth（根據匹配方法，可能匹配爲了背景，也記爲g），L_cls是分類損失，h_t是分類器，y^t是g的標籤，是依據這種取法：
lambda取1。如果g不是背景的話(y^t != 0)，那麼定位損失L_loc存在，是g與迴歸器f_t輸出之間的差距，b^t是上一級（第t級）輸出的b-box。
最後每一級分別按照這個損失去進行計算。
三、實驗結果
使用COCO 2017的mmAP進行評價。U取{0.5,0.6,0.7}
第一個實驗是使用不同的U訓練了3個不同的檢測器，並將這三個檢測器與Cascade R-CNN的三個輸出進行對比。具體的，是通過繪製AP-IOU閾值曲線來顯示其區別。如下圖：
首先對比(a)中的虛線和實線，可以發現虛線的表現好於實線，這說明Cascade的結構可以讓後面的兩級網絡的精確度提升，這是因爲如果沒有使用cascade，那麼u=0.6和u=0.7的網絡接收到的數據就是大量的粗糙b-box，而這是這兩種網絡不擅長的。u=0.5當然不會有改進。這個實驗驗證了這一點。
下一個實驗繼續驗證了這一點，它顯示了Cascade R-CNN每一級網絡的APP-IOU閾值圖像。可以看出，每一級(0.7,0.5,0.6)在其對應的輸入上表現都是最好的（輸入的不同體現在圖中的標題，這也是當然的嘛，畢竟是在上面訓練的），而且可以看出來，3rd Stage中u=0.7的AP要比1st Stage中u=0.5的大。沒看懂圖是咋畫的，就不說了。
之後還做了和Iterative Box、Integral loss的比較，結果是cascade比較好。