Faster R-CNN 全流程与 Cascade R-CNN 的动机
哪些公司问过
答案要点
- 流程:骨干(+FPN)→ RPN 生成候选框 → NMS → RoI Pooling/Align → 分类与框回归 → NMS
- RPN:每个位置多个 anchor,二分类前景/背景 + 回归偏移,与检测头共享特征
- 单一 IoU 阈值两难:低阈值定位不精,高阈值正样本少易过拟合且分布不匹配
- Cascade R-CNN:多级检测头,IoU 阈值逐级提高(如 0.5/0.6/0.7)
- 每级用上一级回归后的框重新采样,使输入分布匹配本级阈值
易错点
- 把 RPN 和检测头的任务混淆:RPN 只分前景背景,检测头才做多类别分类
- 以为 Cascade 只是把阈值调高:关键是逐级重新采样,匹配每级的输入分布
- 忘记 RPN 输出后还需要 NMS 和数量截断
面试官常见追问
- RPN 的原理是什么?
- RoI Align 相比 RoI Pooling 改进了什么?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。