目標檢測系列文章
yolo v1原理：https://blog.csdn.net/cjnewstar111/article/details/94035842
yolo v2原理：https://blog.csdn.net/cjnewstar111/article/details/94037110
yolo v3原理：https://blog.csdn.net/cjnewstar111/article/details/94037828
SSD原理：https://blog.csdn.net/cjnewstar111/article/details/94038536
FoveaBox：https://blog.csdn.net/cjnewstar111/article/details/94203397
FCOS：https://blog.csdn.net/cjnewstar111/article/details/94021688
FSAF: https://blog.csdn.net/cjnewstar111/article/details/94019687

簡介
FoveaBox是一個anchor free的目標檢測框架，與FCOS比較類似
?? ??? ?
網(wǎng)絡結(jié)構(gòu)

如下圖所示

? ? ? ?
可以看出FoveaBox和FCOS非常相似，經(jīng)過FPN之后的特征圖通過兩個分支，一個預測類別，輸出維度是H*W*C. 一個預測位置，輸出維度是H*W*4。
在FCOS里面，會有一個Centerness的輸出，用來剔除原理目標中中點的預測框。而在FoveaBox里面，增加了一個FovearArea的模塊，在訓練的時候，他將GT框往里收縮一定比例，作為正樣本像素點（此區(qū)域就是圖像的fovea area），將GT框往外擴展一定比例，然后之外的當做負樣本像素點。中間的忽略。以此來減少遠離中心點的預測，從而提高精度。總的來說FCOS使用的CentNess感覺更平滑一點，而且沒有超參。FoveaBox需要自己調(diào)整正樣本像素點和負樣本像素點的矩形框比例。
?? ??? ?

實現(xiàn)細節(jié)：
如何處理重疊區(qū)域
這點和FCOS基本一致，就是在訓練過程中將不同大小的GT按照一定的條件約束到不同的輸出層。因為大部分重疊是大物體和小物體的重疊，所以就能比較好的將重疊局域區(qū)分開。
?? ??? ??? ?
參考資料：
?? ??? ?機器之心：《最新Anchor-Free目標檢測模型—FoveaBox》
?? ??? ?CSDN: 《論文學習 FoveaBox: Beyond Anchor-based Object Detector》

總結(jié)

以上是生活随笔為你收集整理的FoveaBox 超越anchor based检测框架的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。