成功的因素：
1.级联而非并联检测器
2.提升iou阈值训练级联检测器的同时不带来负面影响
核心思想：
区分正负样本的阈值u取值影响较大，加大iou阈值直观感受是可以增加准确率的，但是实际上不是，因为这时候正负样本不均衡，所以要做出改变；
所以得出的cascade R-CNN由一系列的检测模型组成，每个检测模型都基于不同IOU阈值的正负样本训练得到，
前一个检测模型的输出作为后一个检测模型的输入(高Iou的输入proposal能得到搞得output iou，且都是大于输入的)，因此是stage by stage的训练方式，而且越往后的检测模型，其界定正负样本的IOU阈值是不断上升的。
从图c可以看出，当一个检测模型采用某个阈值（假设u=0.6）来界定正负样本时，那么当输入proposal的IOU在这个阈值（u=0.6）附近时，
该检测模型比基于其他阈值训练的检测模型的效果要好，所以每个检测模型用的IOU阈值要尽可能和输入proposal的IOU接近。
设计的结构如图4，前面的是其他的改进思路，采用这种结构的好处是，大的iou输入得到大的iou输出，每个stage的检测器针对某一范围iou的proposal来检测。
思考：能否将这一cascade思想迁移到SSD的检测框架中？
参考自：
https://www.codercto.com/a/25258.html
https://blog.csdn.net/u014380165/article/details/80602027
原文：https://www.cnblogs.com/ywheunji/p/11012751.html