FCOS: Fully Convolutional One-Stage Object Detection

FCOS: Fully Convolutional One-Stage Object Detection

一. 论文简介

Anchor-Free文章

主要做的贡献如下(可能之前有人已提出)：

1. FPN分阶段回归
2. Center-ness Loss

二. 模块详解

2.1 论文思路简介

论文整体比较简单，直接从头读到尾没有什么障碍，好像Anchor-free的文章都比较简单。下面直接以模块介绍。

文章中 \(l^*、b^*、r^*、t^*\) 表示label，\(l、b、r、t\) 表示predict

---

2.2 具体实现

2.2.1 回归形式

文章直接回归 \(l、r、b、t、c\) 其中 \(c\) 表示种类，前面四个在上图中有表示。

回归采用正负样本形式：

• \(feature map\) 表示回归的特征图(以 \(M\) 表示)
• \(M_{i,j}\) 表示 \((i,j)\) 个点的特征值
• 将 \(M_{i,j}\) 映射到原图，假设当前特征图的总步长是 \(S\) (和原图比例)，则原图点\(P_{i,j} =(\frac{S}{2}+M{i}*S，\frac{S}{2}+M{j}*S)\)
• \(P_{i,j}\) 落入哪个label区域，就负责回归哪个label，算作正样本。落到外部则算作负样本。
• 如果落在重复区域，按照上图的形式(哪个面积小，就负责哪个label)

文章采用FPN结构，用于提高召回率和精确度。参考Anchor-based(不同尺度的Anchor负责不同大小的目标)，文章对不同的层进行限制目标大小：其中\(M_{1}、M_{2}、...M_{6} = 0、64、128、256、 512\)，按照 \(M_{i}<(l^*、b^*、r^*、t^*)<M_{i-1}\) 形式进行分配。

最后文章发现一个问题，NMS时候出现很多和最终目标接近的框，我们希望的是：负样本和正样本区分明显，而不是很多接近正样本的框(比如分类，虽然可以正确分类，但是出现很多 \(conf=0.45\) 的目标，我们希望出现\(conf_{pos}=0.99,conf_{neg}=0.11\))。

文章通过设置 \(center\) 进行控制，对于那些中心偏离的目标进行抑制。我们不仅仅要IOU好，也要center好。文章通过新建一个新的分支进行center-ness进行回归。

三. 参考文献

• 原始论文
• FCOS改进