成功的因素：
1.級聯而非並聯檢測器
2.提升iou閾值訓練級聯檢測器的同時不帶來負面影響
核心思想：
區分正負樣本的閾值u取值影響較大，加大iou閾值直觀感受是可以增加准確率的，但是實際上不是，因為這時候正負樣本不均衡，所以要做出改變；
所以得出的cascade R-CNN由一系列的檢測模型組成，每個檢測模型都基於不同IOU閾值的正負樣本訓練得到，
前一個檢測模型的輸出作為后一個檢測模型的輸入(高Iou的輸入proposal能得到搞得output iou，且都是大於輸入的)，因此是stage by stage的訓練方式，而且越往后的檢測模型，其界定正負樣本的IOU閾值是不斷上升的。
從圖c可以看出，當一個檢測模型采用某個閾值（假設u=0.6）來界定正負樣本時，那么當輸入proposal的IOU在這個閾值（u=0.6）附近時，
該檢測模型比基於其他閾值訓練的檢測模型的效果要好，所以每個檢測模型用的IOU閾值要盡可能和輸入proposal的IOU接近。
圖d的意思是，u表示訓練檢測模型時所用來區分正負樣本的iou閾值；每條彩色線表示不同Iou訓練出來的檢測模型；
橫坐標表示在檢測的時候改變區分是否輸出為目標的iou閾值，就是最后一步判斷是否輸出的閾值；
設計的結構如圖4，前面的是其他的改進思路，采用這種結構的好處是，大的iou輸入得到大的iou輸出，每個stage的檢測器針對某一范圍iou的proposal來檢測。
實驗得到的結論有：1.僅有0.5的閾值設置並不能獲得非常准確的檢測，
2.精確的檢測需要有適合檢測器質量的假設框，（requires hpypotheses that match the detector quality）
思考：能否將這一cascade思想遷移到SSD的檢測框架中？
參考自：
https://www.codercto.com/a/25258.html
https://blog.csdn.net/u014380165/article/details/80602027