《目标检测算法--FCOS实验报告更新》

FCOS算法实验报告

• FCOS算法原理

1、FCOS算法的思想是预测输入图像中每个点所属的目标类别和目标框。网络结构下图所示，从结构中可以看出，FCOS算法的网络结构采用3层预测输出。

第一个输出是分类支路，H*W表示特征的大小，C表示类别数。特征上的位置(x,y)可以通过公式换算成输入图像的位置，建立了特征图上点的位置和输入图像上点的位置之间的关系，方便计算特征图上每个点的分类和回归目标。

第二个输出是Center-ness，这个分支用于计算每个点和目标中心点的距离，用于减少那些离目标中心点较远的预测点。

第三个输出是回归支路。 

 

• 回归部分采用下列公式进行：

其中（x，y）为图像上的坐标，作为回归的中心点。（x0（i），y0(i)）, （x1（i），y1(i)）作为图像真实标签左上角，右上角的坐标。该网络主要输（l,t,r,b）这四个值。

•  Center ness支路采用以下公式进行：

从下列公式中可以看出当坐标点（x，y）距离中心点越近时，值越大。为了剔除距离中心点远的坐标的回归，本文采用分类支路的输出与该输出相乘作为最后的分类置信度。

2、对于图像中坐标（x,y）同时在两个目标的真实框内，作者设计了FPN网络。根据max（l,t,r,b）值确定该目标到底在哪一层神经网络进行训练。

 

• FCOS网络优缺点分析：

优：（原文中提到）

• 作为anchor free的网络，该网络少了对于anchor超参数的设计。（例如anchor的大小，anchor的比例，anchor的数量等）

• 解决了正负样本失衡的问题，不会产生大量的负样本。

缺点：

•  从上述原理中分析，该网络并没有实现根据回归边界框的（l,t,r,b）四个值实现自动分配相应的特征层。还是用手动设置分配特征层的方式。

• 代码实验运行结果：
• 损失函数：

regression_loss:回归损失

classification_loss:分类损失

centerness_loss:中心度损失

代码每运行一个epoch，就会对验证集的图像进行检测，计算mAP。

1. 测试：

1. 

实验结果说明

分析：对比现有运行算法，该算法不如Faster rcnn算法的检测效果。

对比Faster rcnn对于图一，图四，图五的检测，该算法存在漏检与错检。（将图四的飞机识别成棒球场，将图五的汽车识别成油桶。）

对比标定框的准确度，FCOS算法回归检测框的准确度不如Faster rcnn。对于某些检测框，并不能很好的完全包含目标，只能大概标注出目标的位置。（例如图三中，飞机的某些部位（飞机头，飞机尾）并不能很好的标注到目标框内；图六中对于篮球场目标的回归效果也不理想，不能实现有旋转角度目标的检测。）

1. 测试时间：检测每一张图片大约用时3s左右。

1. 测试图像mAP值：

1. 

目标检测识别过程中问题：

对于一些密集型目标，有旋转角度目标的检测：

对于桥梁，港口的检测结果不理想，大多是由于对于桥梁，港口目标存在漏检。