FCOS(COCO:42.1 AP)

FCOS(COCO:42.1 AP)

Introduction

anchor based 方法的缺点：

1. anchor 超参数极大影响检测精度，需要预先确定
2. anchor 尺度是不可变的，多尺度目标检测任务中表现不好
3. 正负样本不均衡
4. anchor数量多，计算IoU耗时间，内存占用大

本文优势：

1. 检测任务与其他FCN可以解决的任务（如分割）统一起来，任务迁移更方便

2. 不需要anchor或者提议，因此不需要超参数和Tricks，训练方便。不使用IoU计算相似度，极大的减少了内存消耗

3. 一阶段检测模型的 STOA ，同时FCOS还可以用来作为二阶段检测模型的RPN网络

4. FCOS经过简单的修改就可以应用到其他视觉任务中

   [外链图片转存失败(img-xlV48IyK-1567866235553)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1562052237838.png)]

网络介绍

1. 网络预测中心点与到边界的四个距离（ｌ，ｔ，ｒ，ｂ）
2. 中心点落到GT的内部的点作为正样本，同时落到多个GT中的使用多尺度预测来解决
3. 网络输出80维度的类别预测，以及4维度的向量（l,t,r,b）

center-ness

[外链图片转存失败(img-6U8XSjFw-1567866235561)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1562054519084.png)]

加入一个独立分支，预测像素点的centerness。

[外链图片转存失败(img-XipyxuKN-1567866235564)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1562054700969.png)]

值为[0，1],训练时使用BCE Loss（二值交叉熵）。value 时将centerness热图乘以分类结果，这样在最后的NMS中边界点会被抑制。

实验

在COCO数据集上，各种目标检测算法PK。FCOS已经超越 Two-stage的Faster R-CNN，还超越了 One-stage的YOLOv2、SSD、RetinaNet，以及很新的CornerNet。