論文鏈接

一.背景

1.anchor-base缺點　　　　　　　　　

(１)．anchor的設置對結果影響很大,不同項目這些超參都需要根據經驗來確定，難度較大．

(２)．anchor太過密集，其中很多是負樣本，引入了不平衡．

(３)．anchor的計算涉及IOU增加計算復雜度．

2.anchor free檢測框

yolov1可看成是anchor free方式，通過劃分格子，target的中心點位于格子里的，才將相應的格子負責預測target.而yolov2采用了anchor的思想．anchor遍布圖片，自然召回率上升了．fcos取長補短,采取了gt框里的所有點進行回歸，同時采用center-ness分支優化框的質量．

二.網絡介紹

1.網絡結構

輸出分支主要由三部分組成

（１）classification,大小為(W,H,C),輸出不同類別

（２）Regression，大小為(W,H,4),輸出圖上每個點的上下左右偏差

（３）Center-ness大小為(W,H,1),預測檢測框中心點與gt檢測框的中心點的重合概率，用來提升檢測框精度，下面有具體分析．

2.中心采樣（center sampling）

對于任何一個gt bbox，首先映射到每一個輸出層，利用center_sample_radius×stride計算出該gt bbox在每一層的正樣本區域以及對應的left/top/right/bottom的target.

對于每個輸出層的正樣本區域，遍歷每個point位置，計算其max(left/top/right/bottom的target)值是否在指定范圍內，不再范圍內的認為是背景.

(1).減少歧義target數目,能很大解決overlap特征點不知道該回歸那個框的問題

(2).減少標注噪聲干擾

box標注通常會框住很多無關區域,如果無關區域的point也要回歸明顯不對，比如空中的飛機，飛機旁邊的天空就是無關區域．

3.FPN

通過FPN在每層feature map去預測不同尺度大小的物體，就解決了這種overlap的問題(overlap特征點不知道該回歸那個框)．

如果FPN和中心采樣還沒解決的話，就按最小的框來．

同時FPN每一層回歸范圍進行約束.

P3:回歸范圍在[0,64],P4:回歸范圍在[64,128],P5:回歸范圍在[128,256]

P6:回歸范圍在[256,512],P7:回歸范圍在[612,inf],這樣就解決了不同層預測不同大小目標的問題．

但是比如還是存在多個head回歸一物體現象，比如在第二層回歸的最大范圍是80,在往上一層回歸的最大范圍就是40（因為第二層是第一層的1/2）,所以導致同一個物體是有兩層進行回歸的。

4.分類

訓練Ｃ個二分類器，而不是訓練一個多分類器．

5.坐標回歸

anchor-based回歸方式在于回歸anchor與gt框之間的偏移量，而fcos在特征圖上面的每一個點回歸上下左右的距離(可認為是point-based)．

公式:

(l ? , t ? , r ? , b ? ) :回歸的上下左右四個量;

(x0,y0),(x1,y1):gt在原圖上面的左上右下坐標;

(x,y):特征圖內的點的坐標;

s: 相應feature map的步長, 用于壓縮預測范圍，容易平衡分類和回歸Loss權重.

6. center-ness

作者發現引入了很多遠離taget中心點的低質量預測框,預測框的中心點與target框的中心點更接近的話，預測框更加可靠．所以在回歸的分支引入center-ness分支來回歸預測框中心與target中心，雖然是回歸問題，但采用的是celoss

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

7.loss函數

Lcls:?focal loss

Lreg:?GIoU loss

Npos:正樣本數據

λ:取１平衡回歸與分類loss

centerness loss用于約束預測框中心與gt中心點，限制邊界處的loss,直接與上面分類與回歸相加即可，在推理時，輸出的score為分類score乘以中心score．

import cv2 import numpy as np def draw_centerness(box):x1, y1, x2, y2 = boxw, h = x2 - x1, y2 - y1print(np.arange(w).repeat(h).reshape(h, w))print(np.arange(w).repeat(h).reshape(h, w).transpose(1, 0))xs = np.arange(w).repeat(h).reshape(h, w).transpose(1, 0).reshape(-1, 1)print('==xs:', xs)ys = np.arange(h).repeat(w).reshape(h, w).reshape(-1, 1)print('==ys:', ys)left = xs - x1print('==left:', left)right = x2 - xstop = ys - y1bottom = y2 -yshm = np.sqrt(np.minimum(left, right)/np.maximum(left, right) * np.minimum(top, bottom)/np.maximum(top, bottom))hm = hm.reshape(h, w)return hm hm =draw_centerness([0, 0, 100, 100]) max_num = np.max(hm) cv2.imwrite('./test.jpg', hm/max_num*255.)

8.推理

獲取feature map上每個點的分類score在與回歸的四個邊界進行組合即可得出預測框．在進行閾值0.6的NMS.

三.實驗結果

參考:https://www.zybuluo.com/huanghaian/note/1747551

總結

以上是生活随笔為你收集整理的FCOS: A Simple and Strong Anchor-free Object Detector的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。