论文笔记——FCOS：Fully Convolutional One-Stage Object Detection

最新推荐文章于 2025-10-25 21:11:21 发布
原创 最新推荐文章于 2025-10-25 21:11:21 发布 · 772 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

介绍FCOS，一种基于FPN的ResNet的全卷积、无锚框目标检测算法，通过预测实例位置及类别置信度，采用centerness概念提升检测效果。

论文题目：Fully Convolutional One-Stage Object Detection

论文链接：https://openaccess.thecvf.com/content_ICCV_2019/papers/Tian_FCOS_Fully_Convolutional_One-Stage_Object_Detection_ICCV_2019_paper.pdf

最近看了两篇anchor-free的detection论文，分别是CenterNet和这篇FCOS，其共性都使得网络免去对anchor的依赖，变得简单高效又不失精度。
在这里插入图片描述
对于FCOS的backbone部分，采用了基于FPN的Resnet，输出为P3-P7这五个不同尺度的特征图，用于后续的预测。这里先拿某一个尺度的特征图为例。如果还原到原始image上的位置在GT的box内，则该点称为正样本，否则称为负样本。特征图后续接入预测head，该head主要负责预测两个部分，即对于feature map的每个点来说，输出预测instance位置大小的4d向量 t = ( l , t , r , b ) \bold t=(l,t,r,b) t=(l,t,r,b)；以及类别置信向量 p \bold p p，对于coco数据集来说该向量维度是80。 t = ( l , t , r , b ) \bold t=(l,t,r,b) t=(l,t,r,b)每个维度的意义如下图Fig.1所示（代表中心点距离bbox左、上、右、下的距离，文中利用exp(x)将他们都映射到[0,∞) ）：
在这里插入图片描述
因此再回过来看Fig.2，输出的4d位置向量 t x , y \bold t_{x,y} tx,y​，倘若该位置属于正样本，那么他在「(x,y)到bounding box四条边的距离 t ∗ = ( l ∗ , t ∗ , r ∗ , b ∗ ) \bold t^{*}=(l^{*},t^{*},r^{*},b^{*}) t∗=(l

最低0.47元/天 解锁文章
旋转目标检测：FCOS: Fully Convolutional One-Stage Object Detection【方法解读】
sinat_39783664的博客
07-21 580
“旋转目标检测FCOS” 方法部分解读
FCOS
jacke121的专栏
03-13 3504
torch: weight 128m 38.7 https://github.com/tianzhi0549/FCOS 精度有所提高，1070 速度170ms
FCOS: Fully Convolutional One-Stage Object Detection
a362682954的博客
05-09 778
原文地址：https://arxiv.org/abs/1904.01355 github地址：https://github.com/tianzhi0549/FCOS/ Research background: 基于锚节点的目标检测有如下四个缺点： 1.detection performance is sensitive to the sizes, aspect ratios and num...
【FCOS】FCOS理论知识讲解
热门推荐
计算机视觉方面的点点滴滴，欢迎一起讨论
05-22 1万+
文章目录1 FCOS是什么1.1 核心思想1.2 Anchor-Based缺点1.3 FCOS优点2 FCOS 网络结构介绍2.1 FCOS 初始版本2.2 FCOS 分支改进版本3 正样本、负样本、模糊样本的定义4 特征图上的点映射回原图5 锚点回归目标值6 模糊样本的处理7 Center-ness分支8 后续改进8.1 center sampling8.2 centerness 分支的 centerness计算8.3 regression分支的loss8.4 bbox loss weight8.5 n
什么是 FCOS：将物体检测转化为每个像素的预测任务
最新发布
彬彬侠的博客
10-25 1077
FCOS（Fully Convolutional One-Stage Object Detection，全卷积单阶段物体检测）是一种开创性的anchor-free物体检测模型，由Tian等人于2019年提出。它将检测转化为像素级预测任务，通过全卷积网络直接预测类别、边界框偏移和中心度，避免了传统锚框的依赖。FCOS基于ResNet+FPN架构，使用多任务损失函数，在COCO数据集上达到38.7%的AP和31FPS速度。相比YOLO和RetinaNet，FCOS更简单高效，但存在边界像素和小物体检测的局限。
目标检测: 一文读懂 FCOS (CVPR 2019)
weixin_46142822的博客
04-04 1万+
论文：FCOS: Fully Convolutional One-Stage Object Detection 代码：https://github.com/tianzhi0549/FCOS 1 前言 现在主流的目标检测网络如 RetinaNet, SSD, YOLOv3 和 Faster R-CNN 都是基于anchor-based，存在如下缺点： (1) 检测性能对 anchor boxes的数量和宽高比(aspect ratio)敏感； (2) 由于anchor boxes 的宽高比是固定的，难以处理尺
FCOS: Fully Convolutional One-Stage Object Detection——全卷积一阶段目标检测
Together_CZ的博客
12-09 1546
FCOS: Fully Convolutional One-Stage Object Detection——全卷积一阶段目标检测
mono3D任务FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection
yang_daxia的博客
05-22 1172
在卡尔斯鲁厄采集的数据，包括雷达（64线束激光雷达）和摄像头（灰色+彩色）。每一个fpn层级预测的size需要满足一定的边界要求（具体来说，每层负责固定的边界目标即可）。FCOS3D参考的这个做法，但是2D目标是通过3D的外接矩形获取的，用于过滤每层无效的目标。focs2D方法based-area，将点优先分配给小目标（大目标的关注就少了呀）；文章说参考2D直接预测中心点的4个offset是比较难的，简单的任务是看成2.5D个任务。创新点：利用之前的2D检测任务。将3D检测解耦为基于2D检测的多个子任务。
论文精读：《FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection》
zyw2002的博客
12-17 4199
单目三维目标检测具有成本低的优点，是自动驾驶的一项重要任务。由于其固有的不适定特性，其主要表现为缺乏深度信息，因而比传统的二维情形更具挑战性。二维检测的最新进展为更好地解决这一问题提供了机会。然而，使一个通用的自适应二维探测器在这种三维任务中工作是不简单的。本文以一个全卷积的单级检测器为例，对该问题进行了研究，并提出了一个通用框FCOS3D。具体来说，我们首先将统一定义的7自由度三维目标变换到图像域，将它们解耦为二维和三维属性。
论文笔记：FCOS: Fully Convolutional One-Stage Object Detection
upup
06-20 515
一、基本信息 标题：FCOS: Fully Convolutional One-Stage Object Detection 时间：2019 论文领域：目标检测、深度学习 引用格式：Tian Z, Shen C, Chen H, et al. Fcos: Fully convolutional one-stage object detection[C]//Proceedings of the IEEE International Conference on Computer Vision. 2019: 96
论文研读（三）：FCOS: Fully Convolutional One-Stage Object Detection
weixin_44825185的博客
07-11 422
第一页 论文题目：FCOS：全卷积网络的单阶段目标检测算法 第二页 Motivations&contributions:关于FCOS的出发点和贡献我认为就是三个字-全卷积。文中已经说得很清楚了，全卷积FCN神经网络在密集预测任务（语义分割、高度估计、关键点检测、计数）上获得了巨大的成功。作为其中一种高层的视觉任务，目标检测因为用到了anchor，可能是唯一一个没有纯粹全卷积像素级预测的任务了。很自然我们会疑问：我们能通过简单的像素级预测来做目标检测吗，像语义分割中的FCN那样？虽然文中列举了关于an
FCOS: Fully Convolutional One-Stage Object Detection论文解读的ppt
01-09
作者提出了一种全卷积，一阶段目标检测网络，通过对每一个像素预测一个目标来解决目标检测问题（没有anchor，特征图上一个位置预测一个目标。anchor的办法是一个位置预测k个目标）。比起RetinaNet， SSD， YOLOV3， Faster RCNN等网络，FCOS不需要anchor，自然也不需要候选框。 通过消除anchor，FCOS避免了和ahor相关的复杂计算，比如在训练过程中要计算anchor和GT的IOU值。更重要的是，毕淼了和anchor相关的超参数，比如anchor的数目，比例和尺寸。FCOS具有更简单的网络结构，实现更高的精度。在单尺度单模型下，COCO上得到44.7%的AP。
FCOS:FCOS
05-10
FCOS：完全卷积一阶段对象检测 该项目托管用于实现FCOS算法以进行对象检测的代码，如我们的论文所述： FCOS: Fully Convolutional One-Stage Object Detection; Zhi Tian, Chunhua Shen, Hao Chen, and Tong He; In: Proc. Int. Conf. Computer Vision (ICCV), 2019. arXiv preprint arXiv:1904.01355 全文可在以下获得： ： 。 基于Detectron2的实现包含在。 与46FPS实时模式和40.3在AP上COCO minival也可以。 强调 完全无需锚定： FCOS完全避免了与锚定框和锚定框的所有超参数有关的复杂计算。 更好的性能：非常简单的一级检测器与Faster R-CNN相比，具有更好的性能（在使用R
论文阅读：FCOS: Fully Convolutional One-Stage Object Detection
Kivee的博客
04-08 1973
FCOS: Fully Convolutional One-Stage Object 文章   对基于anchor的one-stage detector来说，其实有多少种anchor（比如常用9种），就意味着要训练几个detector，于是ground truth就会被分给不同的detector用于训练，我认为这样会导致两个问题：1.对于某些anchor，与之匹配的ground truth会比较少...
FCOS (ICCV2019)
TheWaySoFar
10-13 528
总结: 1. 相当于换了一种形式的anchor, 多层预测, 每层预测指定的尺寸, 然后使用si(也没有讲这个是怎么来的)来平衡尺寸基数. 2. 主要困难点在于目标之间overlap的处理 和 尺寸不变形问题, 可以说两者都是通过FPN处理的, 前者假设多数overlap的目标都是尺寸差距较大的, 后者通过每层限定回归范围以及设置si来平衡. 3. ICCV2019的, 整篇读下来很顺畅,...
FCOS:Fully Convolutional One-stage Object Detection论文阅读笔记
风行
11-09 644
（一）Title FCOS论文阅读笔记 （二）Summary 本文提出一种fully convolutional one-stage object detector(FCOS)，以每像素预测（per-pixel prediction）的方式解决目标检测，类似于语义分割。 几乎所有的state-of-the-art object detectors，如RetinaNet、SSD、YOLOv3和Faster R-CNN，都依赖于pre-defined anchor boxes。相比之下，我们论文中提出的
FCOS：Fully Convolutional One-Stage Object Detection 论文翻译（非解读）
萌萌虎的博客
04-14 855
全卷积单级目标检测器 摘要： 1.介绍 2.相关工作 3.方法 3.1. 全卷积单级目标探测器 3.2. FCOS的FPN多级预测 3.3. Center-ness for FCOS 4. 实验 4.1. 消融实验 4.1.1 基于FPN的多级预测 4.1.2 有或无 Center-ness 4.2. 与最先进探测器的比较 5.区域提案网络的扩展 6.结论 References 摘要： 提出了一种完全卷积的一级目标检测器（FCOS），以pixel-pixel预测的方式解
【学习笔记4】⭐FCOS(Fully Convolutional One-Stage )一阶全卷积目标检测
weixin_44116169的博客
12-02 525
FCOS前言一 逐像素回归预测二 多尺度策略2.1 图示2.2 具体步骤三 center-ness说在最后 前言 FCOS是一种不依赖预定义的锚框，因此完全避免了预先定义锚框的复杂计算。重点是检测到中心点和中心点到框的四个距离。 一 逐像素回归预测 由于，FCOS为了提升召回率，则对目标物体框中的所有点都进行了边界框的预测。 导致，最终预测得到的边界框质量不高。 FCOS提出的预测策略如下： 由于执行回归的都是正样本（就是l* t* r* b*都是大于0的）所以使用exp函数，将目标进行拉伸，可以使得最
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值