FCOS: Fully Convolution One-Stage Object Detection

最新推荐文章于 2023-12-08 23:27:30 发布
最新推荐文章于 2023-12-08 23:27:30 发布
阅读量1.2k 收藏
点赞数
分类专栏： HumanPoseEstimation 文章标签： FCOS object detection
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.csdn.net/Murdock_C/article/details/89363028
版权

今年的CVPR目标检测方向出现了很多类似anchor-free的工作, 先挑一篇看着比较新颖的文章读一下

arxiv地址: https://arxiv.org/abs/1904.01355
github地址: https://github.com/tianzhi0549/FCOS

既然是anchor-free, 那么就得说明白为啥要anchor-free. 文章列了几个anchor-based detector的不足之处:

  1. anchor-based detector的检测效果严重依赖于预先设定好的anchor类型. 对anchor进行微调, 可以在coco上得到将近4%左右的performance提升, 而这个微调过程又是特别麻烦.
  2. 因为anchor是预先设定好的, 所以它能检测到的object的尺度是固定的, 对于图像中尺度变化很大的object, 特别是small object很难检测到.
  3. 因为anchor的设计原则, 导致在训练时, 属于negative的anchor数量远远大于positive的anchor数量. 虽然这个问题可以通过类似focal loss, OHEM的方法抑制, 但问题仍然存在
  4. 同样是由于anchor的数量过多, 训练占用的内存就更大, 计算消耗也就更大.

基于以上的原因, 既然anchor-based detector有这样那样的局限性, 那为何不能直接抛弃anchor, 直接使用卷积网络, 得到最后的object bounding box? 文章就提出了FCOS, 抛弃anchor, 而是类似于关键点检测的方法, 最网络最后的featuremap上的每一个位置, 输出box的信息. 概括而言, 如下图所示:在这里插入图片描述
FCOS对于输出的每一个位置, 都预测一个4D vector, 用来表示box的左右上下边界离这个位置的距离. 这个类似预测4D vector的anchor-free网络, 在FCOS之前就出现过, FCOS除了这个工作外, 真正的亮点是额外加了一个center-ness branch. 这个center-ness branch是用来辅助最后的inference的. 就和上图右边的图片展示的那样, 同一个位置, 可以用来表示两个不同的box, 那么用哪个比较合适呢? 很简单, 对这个位置进行打分, 这样远离需要检测的目标中心位置的位置, 分数会较低, 这样就把当前这个位置表示的box的分数降低, 在NMS的时候就可以把这个box抑制掉. 网络的整体结构如下:在这里插入图片描述
可以看到网络最后一共有三个branch输出, 最终的结果是要先对表示该类的box和对应的center-ness score相乘再做NMS.
文章给出了大量的对比试验, 总结下就是如果没有center-ness这个branch, 模型效果不比同样的anchor-based detector效果好, 但加入了center-ness, 效果就好很多了. 因为center-ness可以过滤掉很多iou小但score很高的box, 文章也给出了个对比图:在这里插入图片描述
可以看到加入center-ness后, 最终得到的box质量明显高了很多.
文章提及到其实center-ness这个branch可以单独训练, 额外用个网络来训练它而不是和classification branch和regression branch共享backbone, 可能效果比这个还要更好.

计算机视觉论文总结系列（一）：目标检测篇
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-23 8430
本系列主要面向计算机视觉目标检测、图像分割及OCR等领域，每篇将对该领域论文等方面展开介绍，本篇主要介绍目标检测领域历年论文，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除
论文解读-FCOS:Fully Convolutional One-Stage Object Detection
为之则易，不为则难
04-07 6447
文章目录1 动机2 算法思想2.1 网络结构2.2 center-ness输出分支2.3 优化目标3 实验结果4 总结5 参考资料 1 动机 目标检测算法可以分为两大类别，anchor-based和anchor-free算法，前者是主流的做法，比如yolo-v3、ssd、faster rcnn等，它存在如下缺点， （1）引入很多需要优化的超参数， 比如anchor number、anchor s...
fcos：fully convolutional one-stage object detection
liguandong
12-20 1177
轻松掌握 MMDetection 中常用算法(三)：FCOS - 知乎文@ 0000070 摘要在前系列文章中，我们选择了主流一阶段算法 RetinaNet 和二阶段算法 Faster R-CNN/Mask R-CNN 进行了详细解读，但是其都属于 anchor-based 算法，随着 anchor-free 思路的兴起，出现了一些性能…https://zhuanlan.zhihu.com/p/358056615mmdetection最小复刻版(六)：FCOS深入可视化分析 - 知乎0 概要论文名称： F
【检测】FCOS: Fully Convolutional One-Stage Object Detection
HTS's Blog
04-09 2164
现在的主流目标检测算法大部分都是先设定好anchor。虽然这个方法可以取得一些有效的成功，但是基于anchor的方法仍然存在着一些缺点： Anchor的尺寸，分布率和数目对于检测结果的影响都很大。 由于anchor的尺寸的分布率是固定的，在目标尺寸差距比较大，尤其是小物体多的情况下检测就会遇到困难 为了得到一个高的召回率。基于anchor的检测器就需要密集的放置anchor。然而在这些ancho...
【翻译】FCOS：Fully Convolutional One-Stage Object Detection
jokerwu192的博客
03-29 500
目录摘要1.介绍2.Related Work3.Our Approach3.1. Fully Convolutional One-Stage Object Detector3.2. Multi-level Prediction with FPN for FCOS3.3. Center-ness for FCOS4.Experiments4.1. Ablation Study4.1.1 Multi-level Prediction with FPN4.1.2 With or Without Center-ne
【目标检测】FCOS: Fully Convolutional One-Stage Object Detection
qq_40731332的博客
12-13 990
Abstract & Introduction 受语义分割模型Fully Convolutional Network启发，提出一种per-pixel prediciton方式的目标检测。 anchor-based方法，存在下列问题： （1）训练过程中，需要计算每个anchor和GT的IoU，非常浪费计算资源 （2）需要面向任务设计anchor，anchor的sizes，aspect ratios和numbers会极大影响最后的检测结果[15,24]。对于RetinaNet，作者在调整an..
深度学习05 - 一阶全卷积目标检测实例（FCOS）
最新发布
weixin_43399179的博客
12-08 957
Fully-Convolutional One-Stage Object Detection 参考：EECS 498-007/598-005 Assignment 4-1: One-Stage Object Detector论文地址v1论文v2 不同于使用Anchor去确定目标，FCOS是使用全卷积网络通过确定特征图上的每个位置来预测该点距离目标的距离（左上右下 LTRB），如下图：该流程与第一版的网络的不同点在于最后将regression 和centre-ness分支放在一起。该文中使用的是第二版的网络
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
热门推荐
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
目标检测中的集合预测 (Set Prediction for Object Detection)
wd18508423052的博客
12-25 8339
目标检测中的集合预测 (Set Prediction for Object Detection) 1 简介目标检测中的集合预测 常见的目标检测方法如Faster-RCNN，RetinaNet等都是通过预设anchor的方式进行预测，这种方式本质上就是类似滑动窗口的一种模式。而使用这种滑动窗口的方式其实是人为地给检测任务降低难度，这也确实是早期的传统方式做模式识别的一种主流方式。 而基于集合预测的方式就显得更简单粗暴了，输入一副图像，网络的输出就是最终的预测的集合（也不需要任何后处理）能够直接得到预测的集合就
基于megengine的FCOS的目标检测模型，主干网络ResNext101
10-17
在这个场景中，我们关注的是一个基于MegEngine框架实现的FCOS（Fully Convolutional One-Stage Object Detection）目标检测模型，该模型的主干网络是ResNext101。下面将详细介绍这个模型的组成部分以及其在目标检测...
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
FCOS: Fully Convolutional One-Stage Object Detection
weixin_36670529的博客
05-26 978
目录 摘要 1、Introduction 2、Related Work 3、Our Approach 3.1、全卷积一阶段检测器 3.2、用FPN和FCOS结合起来进行多层预测 3.3、FCOS的中心凸端 4、实验 4.1、消融研究 4.1.1、用FPN进行多层预测 4.1.2、有或者没有中心 4.1.3、FCOS和基于anchor的检测器 4.2、和最先进的检测器的比较...
FCOS fully convolutional One Stage Object detection
weixin_44523062的博客
04-15 150
文章目录 1 动机2 算法思想2.1 网络结构2.2 center-ness输出分支2.3 优化目标 3 实验结果3.1 centerness的影响3.2 和已有方法的对比 4 总结5 参考资料 1 动机 目标检测算法可以分为两大类别，anchor-based和anchor-free算法，前者是主流的做法，比如yolo-v3、ssd、faster rcnn等，它存在如下缺点， （1）引入很多需要优化的超参数， 比如anchor number、anchor size、anch..
论文：FCOS: Fully Convolutional One-Stage Object Detection
杨杨子江的博客
10-20 587
论文：https://arxiv.org/pdf/1904.01355.pdf 代码：https://github.com/tianzhi0549/FCOS         &nbsp近期在Arxiv上出现的一篇比较火的单阶段目标检测算法-FCOS，今天我们就一起来分析分析这个算法。大家可能都知道目标检测算法以前主要分为两个大的方向：单阶段检...
Fcos: Fully convolutional one-stage object detection
qq_52302919的博客
02-13 1248
本文提出了一种全卷积一级目标检测器(FCOS)，以逐像素预测的方式解决目标检测，类似于语义分割。FCOS检测器是anchor box free，也是proposal free的。通过消除预定义的锚盒集合，FCOS完全避免了训练过程中与anchor boxes相关的复杂计算，如计算overlapping。更重要的是，FCOS还避免了所有与anchor boxes相关的超参数，这些参数通常对最终的检测性能非常敏感。
FCOS:Fully Convolutional One-stage Object Detection论文阅读笔记
风行
11-09 549
（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和Retinex是two-stage模型吗
04-29
不是，FCOS和Retinex都是one-stage模型。这些模型都是目标检测算法，但是它们使用不同的结构和技术来执行任务。FCOS是一种基于单阶段密集预测的目标检测器，其通过在特征图上执行密集铺设来预测边界框和置信度得分。...
评论
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