Anchor Free检测算法之FCOS

最新推荐文章于 2025-03-10 22:01:18 发布
最新推荐文章于 2025-03-10 22:01:18 发布
阅读量2.6k 收藏 14
点赞数 1
分类专栏： 深度学习 机器学习 | 计算机视觉 文章标签： FCOS Anchor Free pyramid 目标检测 Center-ness
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。
本文链接：https://blog.youkuaiyun.com/linolzhang/article/details/92432695
版权
FCOS是一种全卷积的单阶段目标检测算法，抛弃了Anchor机制，利用中心点回归目标边界框。通过特征金字塔网络处理不同尺度目标，并引入Center-ness损失来抑制偏离中心的检测框，提升检测精度。实验结果显示，FCOS超越了YOLO v2、SSD和CornerNet等传统方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一.提出背景

2019 是 Anchor Free 大行其道的一年，从CornerNet 到 ExtremeNet，从FSAF到FCOS，层出不穷。

论文：FCOS: Fully Convolutional One-Stage Object Detection【paper】【github】

二.算法框架

FCOS框架比较简单，架构图参考：

基础backbone是一个3层的卷积网络（对应图中C3，C4，C5），Pyramid特征金字塔构建完成P3-P7（感觉到P6就够了），每个金字塔层对应一个预测头（Head）。

其中Head层分为3个预测分支，1个分类 + 1个位置回归 + 1个Center-ness（用于构建居中loss，后面展开）

二.Why FCOS？

看着架构图来看为什么要这么设计？

1）特征pyramid价值

不同尺度的目标，在不同的特征层下 特征保留的最好

最低0.47元/天 解锁文章
第96步 深度学习图像目标检测：FCOS建模
Jet4505的博客
11-24 883
第96步 深度学习图像目标检测：FCOS建模
目标检测模型FCOS代码详细解析
weixin_43238909的博客
02-25 1700
train_net.py文件中 定义了main()函数，定义了train()函数，定义了test()函数在main()函数中对传入的参数进行解析，对分布式训练进行判断。再判断是进行测试还是训练。如果是测试，则进入tain()函数。main()函数中通过语句实现train()函数的调用。model = train(cfg, args.local_rank, args.distributed)train()函数中首先使用**model = build_detection_model(cfg)，**这句话是调用b
目标检测（3）anchor free：FCOS解读
HouLei
12-10 892
PDF: https://arxiv.org/pdf/1904.01355.pdf. CODE： https://github.com/tianzhi0549/FCOS/. 1.思路来源 segmentation方法应用在object detection上。model：FCN。 FCN使用在语义分割、关键点检测等领域使用的很好，能否迁移到检测任务上。 2.anchor box 介绍： 使用在one-stage和two-stage中，用于bbox框的检测。 缺点： 1、检测效果受到anchor的size、ra
Anchor-Free之FCOS
NOWAY的博客
11-07 263
FCOS FCOS是对于图片上的每一个像素都进行分类和预测，这也是他最大的亮点（大大增加了对图片信息的利用率，增加了正样本，同时训练也比较好显存） 与之前的cornorNet，centerNet不同他预测的是某个像素点到到他的边界框的距离，分别是l*, r*，t*, b*如下图所示 l*像素点到目标框左边界的距离 r*像素点到目标框右边界的距离 t*像素点到目标框上边界的距离 b*像素点到目标框下边界的距离 计算公式如下 网络框架 输入尺寸还是挺大的800x1024, ...
目标检测Anchor-based 与 Anchor-free
最新发布
qq_46454669的博客
03-10 1143
anchor-free和anchor-based是两种不同的目标检测方法，区别在于是否使用预定义的anchor框来匹配真实的目标框。anchor-based方法使用不同大小和形状的anchor框来回归和分类目标，例如faster rcnn、retinanet和yolo等。anchor-free，例如fcos、atss和cornernet等。anchor-free方法比anchor-based方法更简单和灵活，但可能存在召回率或定位精度低的问题。
【目标检测】anchor free：FCOS
chen1234520nnn的博客
08-24 624
前言 FCOS: Fully Convolutional One-Stage Object Detection(2019年) FCOS(FCOS: Fully Convolutional One-Stage Object Detection)，该算法是一种基于FCN的逐像素目标检测算法，实现了无锚点（anchor-free）、无提议（proposal free）的解决方案，并且提出了中心度（Center—ness）的思想，同时在召回率等方面表现接近甚至超过目前很多先进主流的基于锚框目标检测算法。 FC
目标检测3--AnchorFree的FCOS
机器人视觉感知
09-24 1053
是澳洲阿德莱德大学的Zhi Tian等最早于2019年04月提交的工作成果，发表在ICCV上。FCOS是全卷积实现的的一阶目标检测器，避免了训练过程中Anchor相关的计算，减少的训练时的计算量和内存占用，移除了anchor相关的一系列超参数。检测性能对anchor的size//数量比较敏感。实际对象的检测框大小分布较广泛，anchor不一定能覆盖为了得到高召回率，的方法返回了非常多的anchor box，如FPN中，输入短边为800的图像将总共生成大于180K个Anchor Box。超级多的。
FCOS检测算法训练模型
11-19
FCOS检测算法在VOC数据集上的训练模型，直接下载可进行inference。配合代码https://github.com/leviome/fcos_pure 使用。具体教程看README.
【论文解析】基于Anchor-free的一阶段经典目标检测算法FCOS
weixin_43937010的博客
03-06 2011
作者提出了一种基于anchor-free的one-stage全卷积目标检测网络FCOS，以逐像素预测的方式解决对象检测，类似于其他密集预测问题，如语义分割。与我们常见的基于anchor-based的目标检测网络RetinaNet、SSD、YOLOv3和Faster R-CNN等架构相比，FCOS模型消除了预先设定的锚框（anchor box），也就避免了与锚盒相关的复杂计算（设定的超参数，训练过程中IOU的计算）。
Anchor Free的目标检测算法之CornerNet、ExtremeNet、CenterNet、FSAF、FCOS、FoveaBox
迷路的咸鱼的博客
06-30 4941
  Anchor boxes在现有的经典目标检测算法中属于一个基本组成部分，像YOLOv3这样的one-stage detector中使用了anchor boxes之后，可以取得跟two-stage detectors相当的精度，同时检测速度也达到实时的效果。从去年开始，anchor free的方法大量涌现，虽然目前还不能保证完全优于anchor based方法，但是为目标检测的发展提供了另一个方向。本篇博客将逐步按照CornerNet →ExtremeNet →CenterNet →FSAF → FCOS
anchor free 目标检测_Anchor Free的目标检测方法--FCOS
weixin_39852491的博客
12-22 249
前 言全卷积的 one-stage目标检测器(FCOS)，对每个像素进行预测的方式来解决目标检测问题，类似于语义分割。FCOS 不需要 anchor box，同时也不需要 proposals，由于消除了对预定义 anchor 的依赖，因此避免了与 anchor box相关的复杂计算，同时还避免了与 anchor相关的所有超参数，例如：尺寸、宽高比、数量等，通常这些参数对最终检测性能非常敏感。FC...
【三维目标检测模型】FCOS3D
叶子的博客
08-20 1万+
FCOS3D是二维FCOS模型的延展，由香港中文大学-商汤联合实验室发表在ICCVW 2021，本文含详细python源码解读。
AnchorFree系列算法详解
荪荪的博客
10-23 2万+
目录Anchor-Based方法回顾Anchor Free系列方法简介PaddleDetection实战演练目标检测总结 Anchor-Based方法回顾 Anchor Free系列方法简介 PaddleDetection实战演练 目标检测总结
FCOS：全卷积一阶段Anchor Free物体检测器，多种视觉任务的统一框架
AI公园
09-23 365
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”导读这是众多Anchor Free中比较有影响力的一篇文章，不光是效果好，而且思路清楚，简单，不需要任何trick，并将众多的视...
FCOS: 最新的one-stage逐像素目标检测算法
热门推荐
yuanCruise
04-07 4万+
论文地址：https://arxiv.org/pdf/1904.01355.pdf 本文提出了一种全卷积one-stage目标检测算法（FCOS），以逐像素预测的方式解决目标检测问题，类似于语义分割。目前最流行的不论是one-stage目标检测算法，如RetinaNet，SSD，YOLOv3，还是two-stage目标检测算法，如Faster R-CNN。这两类算法大都依赖于预定义的锚框（anch...
Anchor-free目标检测系列7：FCOS： Fully Convolutional One-Stage Object Detection（点+到框的4个距离）
Sesen的木屋
08-12 792
FCOS： Fully Convolutional One-Stage Object Detection （2019） FCOS属于anchor-free类别的算法，且效果在anchor-free派系中算SOTA了。它的主要优点如下： （1）因为输出是pixel-based预测，所以可以复用semantic segmentation方向的tricks； （2）可以修改FCOS的输出分支，用...
FCOS(FCOS: Fully Convolutional One-Stage Object Detection)
Hali_Botebie的博客
11-18 922
我们提出了一种完全卷积的一级对象检测器 (FCOS)，以每像素预测方式 (类似于语义分割) 解决对象检测问题。几乎所有最先进的对象检测器，例如RetinaNet，SSD，YOLOv3和更快的r-cnn，都依赖于预定义的锚盒。相比之下，我们提出的探测器FCOS是无锚盒的，也是无提案的。通过消除预定义的锚框集，FCOS完全避免了与锚框相关的复杂计算，例如在训练过程中计算重叠。更重要的是，我们还，这些参数通常对最终检测性能非常敏感。
Anchor-free目标检测系列15：GA-RPN（指导anchor生成） Region Proposal by Guided Anchoring
Sesen的木屋
08-15 1159
Region Proposal by Guided Anchoring （CVPR2019） 论文GA-RPN旨在有指导性地生成anchor，不是一种真正的anchor-fre...
anchor-free目标检测算法分类
11-18
目标检测算法可以分为两类：基于anchor的目标检测算法和基于anchor-free的目标检测算法。其中，anchor-free目标检测算法是指不需要预先定义anchor的目标检测算法。常见的anchor-free目标检测算法有以下两种： 1. CornerNet：该算法通过检测物体的左上角和右下角来定位物体，使用了两个独立的heatmap来检测左上角和右下角，然后通过向量回归来预测物体的中心点。 2. FCOS：该算法通过将物体的中心点和大小同时预测来定位物体，使用了一个独立的heatmap来检测物体的中心点，然后通过向量回归来预测物体的大小。 以上是两种常见的anchor-free目标检测算法，它们都不需要预先定义anchor，因此可以减少训练和推理的时间和空间复杂度。
评论 1
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