FCOS(COCO:42.1 AP)
Introduction
anchor based 方法的缺点:
- anchor 超参数极大影响检测精度,需要预先确定
- anchor 尺度是不可变的,多尺度目标检测任务中表现不好
- 正负样本不均衡
- anchor数量多,计算IoU耗时间,内存占用大
本文优势:
-
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
-
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
-
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
-
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
- 网络预测中心点与到边界的四个距离(l,t,r,b)
- 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
- 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。