FCOS: A Simple and Strong Anchor-free Object Detector

论文链接

一.背景

1.anchor-base缺点　　　　　　　　　

(１)．anchor的设置对结果影响很大,不同项目这些超参都需要根据经验来确定，难度较大．

(２)．anchor太过密集，其中很多是负样本，引入了不平衡．

(３)．anchor的计算涉及IOU增加计算复杂度．

2.anchor free检测框

yolov1可看成是anchor free方式，通过划分格子，target的中心点位于格子里的，才将相应的格子负责预测target.而yolov2采用了anchor的思想．anchor遍布图片，自然召回率上升了．fcos取长补短,采取了gt框里的所有点进行回归，同时采用center-ness优化预测框中心点．

二.网络介绍

1.网络结构

2.FPN

通过FPN在每层feature map去预测不同尺度大小的物体，就解决了这种overlap的问题(overlap特征点不知道该回归那个框)．

如果FPN还没解决的话，就按最小的框来．

3.中心采样（center sampling）

1.减少歧义target数目,能很大解决overlap特征点不知道该回归那个框的问题

2.减少标注噪声干扰

box标注通常会框住很多无关区域,如果无关区域的point也要回归明显不对，比如空中的飞机，飞机旁边的天空就是无关区域．

4.分类

训练Ｃ个二分类器，而不是训练一个多分类器．

5.坐标回归

anchor-based回归方式在于回归anchor与gt框之间的偏移量，而fcos在特征图上面的每一个点回归上下左右的距离(可认为是point-based)．

公式:

(l ∗ , t ∗ , r ∗ , b ∗ ) :回归的上下左右四个量;

(x0,y0),(x1,y1):gt在原图上面的左上右下坐标;

(x,y):特征图内的点的坐标;

s: 相应feature map的步长, 用于压缩预测范围，容易平衡分类和回归Loss权重.

同时FPN每一层回归范围进行约束.

P3:回归范围在[0,64],P4:回归范围在[64,128],P5:回归范围在[128,256]

P6:回归范围在[256,512],P7:回归范围在[612,inf]

6. center-ness

作者发现引入了很多远离taget中心点的低质量预测框,预测框的中心点与target框的中心点更接近的话，预测框更加可靠．所以在回归的分支引入center-ness分支来回归预测框中心与target中心，虽然是回归问题，但采用的是celoss

可看出低IOU但score高的box得到了很大减少，IOU和score的一致性得到了改善．

7.loss函数

 

Lcls: focal loss

Lreg: GIoU loss

Npos:正样本数据

λ:取１平衡回归与分类loss

centerness loss用于约束预测框中心与gt中心点，直接与上面分类与回归相加即可，在推理时，输出的score为分类score乘以中心score．

8.推理

获取feature map上每个点的分类score在与回归的四个边界进行组合即可得出预测框．在进行阈值0.6的NMS.

三.实验结果