论文提出anchor-free和proposal-free的one-stage的目标检测算法FCOS,不再需要anchor相关的的超参数,在目前流行的逐像素(per-pixel)预测方法上进行目标检测,根据实验结果来看,FCOS能够与主流的检测算法相比较,达到SOTA,为后面的大热的anchor-free方法提供了很好的参考
来源:【晓飞的算法工程笔记】 公众号
论文: FCOS: Fully Convolutional One-Stage Object Detection
Introduction
大多目标检测网络都是anchor-based,虽然anchor能带来很大的准确率提升,但也会带来一些缺点:
- 准确率对anchor的尺寸、长宽比和数量较为敏感,这些超参都会人工细调
- anchor的尺寸和长宽是固定的,如果目标的相关属性相差较大,会比较难预测
- 为了高召回,通常会使用密集的anchor布满输入,大多为负样本,导致训练不平衡
- anchor需要如IOU的复杂计算
近期,FCNs在各视觉任务中都有不错的表现,但目标检测由于anchor的存在,不能进行纯逐像素预测,于是论文抛弃anchor,提出逐像素全卷积目标检测网络FCOS网络,总结如下:
- 效仿前期的FCNs-based网络,如DenseBox,每个像素回归一个4D向量指代预测框相对于当前像素位置的偏移,如图1左
- 为了预测不同尺寸的目标,DenseBox会缩放或剪裁生成图像金字塔进行预测,而且当目标重叠时,会出现像素不知道负责预测哪个目标的问题,如图1右。在对问题进行研究后,论文发现使用FPN能解决以上问题,后面会细讲
- 由于预测的结果会产生许多低质量的预测结果,论文采用center-ness分支来预测当前像素与对应目标中心点的偏离情况,用来去除低质量预测结果以及进行NMS
Our Approach
Fully Convolutional One-Stage Object Detector
让 F i ∈ R H × W × C F_i\in \mathbb{R}^{H\times W\times C} Fi∈RH×W×C为层 i i i的特征图, s s s为层的总stride,输入的GT为 { B i } \{B_i\} {Bi}, B i = ( x 0 ( i ) , y 0 ( i ) , x 1 ( i ) , y 1 ( i ) , c ( i ) ) ∈ R 4 × { 1 , 2... C } B_i=(x_0^{(i)},y_0^{(i)},x_1^{(i)},y_1^{(i)},c^{(i)})\in \mathbb{R}^4\times \{1,2...C \} Bi=(x0(i),y0(i),x1(i),y1(i),c(i))∈R4×{1,2...C}分别为box的左上角和右下角坐标以及类别, C C C为类别数。特征图 F i F_i Fi的每个位置 ( x , y ) (x,y) (x,y),可以通过 ( ⌊ s 2 ⌋ + x s , ⌊ s 2 ⌋ + y s ) (\lfloor\frac{s}{2}\rfloor + xs, \lfloor\frac{s}{2}\rfloor + ys) (⌊2s⌋+xs,⌊2s⌋+ys)映射回原图,FCOS直接预测相对于当前像素的box位置,而不是anchor的那样将像素作为中心再回归
当像素 ( x , y ) (x,y) (x,y)落在GT中则认为是正样本,将类别 c ∗ c^* c∗设置为目标类别,否则设置为0。除了类别,还有4D向量 t ∗ = ( l ∗ , t ∗ , r ∗ , b ∗ ) t^*=(l^*,t^*,r^*,b^*) t∗=(l∗,t∗,r∗,b∗)作为回归目标,分别为box的四条边与像素的距离。当像素落在多个GT中时,直接选择区域最小的作为回归目标。相对于anchor-based的IOU判断,FCOS能生成更多的正样本来训练回归器
网络最终输出80D分类标签向量 p p p和4D box坐标向量 t = ( l , t , r , b ) t=(l,t,r,b) t=(l,t,r,b),训练 C C C个二分类器而不是多分类器,在最后特征后面分别接4个卷积层用于分类和定位分支,在定位分支使用 e x p ( x ) exp(x) exp(x)保证结果为正,整体输出比anchor-based少9x倍
L c l s L_{cls} Lcls为focal loss, L r e g L_{reg} Lreg为UnitBox中的IOU loss, N p o s N_{pos} Npos为正样本数, λ \lambda λ为平衡权重,公式2计算特征图上的所有结果
对于输入图片,推理得到特征图 F i F_i Fi的分类分数 p x , y p_{x,y} px,y以及回归预测 t x , y t_{x,y} tx,y,然后取 p x , y > 0.05 p_{x,y}>0.05 px,y>0.05的作为正样本,公共公式1得到预测框位置
Multi-level Prediction with FPN for FCOS
下面讲下FCOS如何使用FPN来解决之前提到的问题:
- 由于large stride,通常最后的特征图都会面临较低的最大可能召回(best possible recall, BPR)问题。在anchor based detector中,可以通过降低IOU阈值来弥补,而实验发现,FCN-based的FCOS本身就能在large stride情况下还有更好的BPR,加上FPN,BPR则会更高
- 目标框重叠会导致难解的歧义,例如不知道像素对应哪个回归目标,论文使用多层预测来解决这个问题,甚至FCN-based效果比anchor-based要好
如图2,FPN使用
{
P
3
,
P
4
,
P
5
,
P
6
,
P
7
}
\{P_3,P_4,P_5,P_6,P_7 \}
{P3,P4,P5,P6,P7}层特征,其中
P
3
P_3
P3、
P
4
P_4
P4和
P
5
P_5
P5分别通过
C
3
C_3
C3、
C
4
C_4
C4和
C
5
C_5
C5的
1
×
1
1\times 1
1×1卷积以及top-down connection生成,
P
6
P_6
P6和
P
7
P_7
P7则是分别通过
P
5
P_5
P5和
P
6
P_6
P6进行stride为2的
1
×
1
1\times1
1×1卷积生成,各特征的stride分别为8,16,32,64和128
anchor-based方法对不同的层使用不同的大小,论文则直接限制每层的bbox回归范围。首先计算
l
∗
l^*
l∗,
t
∗
t^*
t∗,
r
∗
r^*
r∗和
b
∗
b^*
b∗,如果满足
m
a
x
(
l
∗
,
t
∗
,
r
8
,
b
∗
)
>
m
i
max(l^*,t^*,r^8,b^*)>m_i
max(l∗,t∗,r8,b∗)>mi或
m
a
x
(
l
∗
,
t
∗
,
r
8
,
b
∗
)
<
m
i
−
1
max(l^*,t^*,r^8,b^*)<m_{i-1}
max(l∗,t∗,r8,b∗)<mi−1,则设为负样本,不需要进行bbox回归。
m
m
m为层
i
i
i的最大回归距离,
m
2
m_2
m2,
m
3
m_3
m3,
m
4
m_4
m4,
m
5
m_5
m5,
m
6
m_6
m6和
m
7
m_7
m7分别为0,64,128,256,512和
∞
\infty
∞。如果在这样设置下,像素仍存在歧义,则选择区域最小的作为回归目标,从实验来看,这样设定的结果很好
最后,不同层间共享head,不仅减少参数,还能提高准确率。而由于不同的层负责不同的尺寸,所以不应该使用相同的head,因此,论文将
e
x
p
(
x
)
exp(x)
exp(x)改为
e
x
p
(
s
i
x
)
exp(s_ix)
exp(six),添加可训练的标量
s
i
s_i
si来自动调整不同层的指数基底
Center-ness for FCOS
使用FPN后,FCOS与anchor-based detector仍然存在差距,主要来源于低质量的预测box,这些box的大多由距离目标中心点相当远的像素产生。因此,论文提出新的独立分支来预测像素的center-ness,用来评估像素与目标中心点的距离
center-ness的gt计算如公式3,取值 ( 0 , 1 ] (0,1] (0,1],使用二值交叉熵进行训练。在测试时,最终的分数是将分类分数与center-ness进行加权,低质量的box分数会降低,最后可能通过NMS进行过滤
center-ness的另一种形式是在训练时仅用目标框的中心区域像素作为正样本,这会带来额外的超参数,目前已经验证性能会更好
Experiments
Ablation Study
best possible recall(BPR)定义为检测器能够回归的gt比例,如果gt被赋予某个预测结果,即为能够回归。从表1看来,不用FPN的FCOS直接有95.55%,而anchor-based的经典实现只有86.82%,加上FPN后就提高到98.40%
在原始FCOS中,正样本中歧义目标的比例为23.16%,使用FPN后能够降低到7.14%。这里论文提到,同类别目标的歧义是没关系的,因为不管预测为哪个目标,都是正确的,预测漏的目标可以由其它更靠近他的像素来预测。所以,只考虑不同类别的歧义比例大概为17.84%,使用FPN后可降为3.75%。而在最终结果中,仅2.3%的框来自于歧义像素,考虑不同类别的歧义,则仅有1.5%的,所以歧义不是FCN-based FCOS的问题
center-ness分支能够将AP从33.5%升为37.1%,比直接从回归结果中计算的方式要好
相对于RetinaNet,之前FCOS使用了分组卷积(GN)和使用 P 5 P_5 P5来产生 P 6 P_6 P6和 P 7 P_7 P7,为了对比,去掉以上的改进进行实验,发现准确率依旧比anchor-based要好
Extensions on Region Proposal Networks
将anchor-based的RPNs with FPN替换成FCOS,能够显著提高 A R 100 AR^{100} AR100和 A R 1 k AR^{1k} AR1k
Class-agnostic Precision-recall Curves
Visualization for Center-ness
CONCLUSION
论文提出anchor-free和proposal-free的one-stage的目标检测算法FCOS,不再需要anchor相关的的超参数,在目前流行的逐像素(per-pixel)预测方法上进行目标检测,根据实验结果来看,FCOS能够与主流的检测算法相比较,达到SOTA,为后面的大热的anchor-free方法提供了很好的参考
如果本文对你有帮助,麻烦点个赞或在看呗~
更多内容请关注 微信公众号【晓飞的算法工程笔记】