优于FCOS：在One-Stage和Anchor-Free目标检测中以最小的成本实现最小的错位（代码待开源）...

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜ComputerVisionGzq

学习群｜扫码在主页获取加入方式

计算机视觉研究院专栏

作者：Edison_G

与基线FCOS（一种单阶段和无锚目标象检测模型）相比，新提出的模型在不同的主干上始终获得大约3 个AP的改进，证明了新方法的简单性和效率。

一、前言

Non keypoint-based的目标检测模型由分类和回归分支组成，由于不同的任务驱动因素，这两个分支对来自相同尺度级别和相同空间位置的特征具有不同的敏感性。point-based的预测方法，在基于高分类置信点具有高回归质量的假设上，导致错位问题。我们的分析表明，该问题进一步具体由尺度错位和空间错位组成。

研究者的目标是以最小的成本解决这一现象——对head network进行微调，并用一种新的标签分配方法代替。实验表明，与基线FCOS（一种单阶段和无锚目标象检测模型）相比，新提出的模型在不同的主干上始终获得大约3 个AP的改进，证明了新方法的简单性和效率。

二、背景

目标检测是深度学习时代比较发达的研究领域。通常考虑两种不同的任务