Revisiting RCNN: On Awakening the Classification Power of Faster RCNN，https://arxiv.org/pdf/1803.06799.pdf，UIUC Tom Huang组的文章：
image.png
发现的问题
使用Faster R-CNN，但是手动去除false positives（误检），发现mAP会上升（不同阈值下，0~3个百分点的提升）
这些误检主要是由分类错误导致的（而不是定位精准度的问题）
如果能想办法消除、减少(hard) false positives（也就是消除、减少分类错误），那么Faster R-CNN就能有mAP提升
（期间有提到cls+reg这个multi-task，同时也是feature sharing，对精度有提升，但往往导致次优而非最优。。）
提出的方法
cascade classifier就可以消除误检。文章提出的做法也比较trival：Faster R-CNN后面级联一个RCNN，美其名曰DCR（Decoupled Classification Refinement）。注意，级联的RCNN并不和前面的Faster RCNN共享特征。网络结构如下：
image.png
实验结果
VOC和COCO上的mAP、mmAP都有1~3的提升。当然，一个好的baseline也很重要（比如FPN）。在COCO2015上结果：
image.png
网友评论