FCOS论文简析

最新推荐文章于 2024-08-14 18:34:32 发布
最新推荐文章于 2024-08-14 18:34:32 发布
阅读量827 收藏 1
点赞数
分类专栏： 神经网络 文章标签： 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013444215/article/details/106316365
版权
FCOS是一种创新的目标检测方法，它摒弃了传统的anchor box，解决了超参数敏感、正负样本不平衡及计算复杂度高等问题。通过采用全卷积结构，结合FPN和centerness策略，实现了高精度且高效的检测效果，具有良好的移植性和减少的冗余计算。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

题目：FCOS:Fully Convolutional One-Stage Object Detection
第一作者：Zhi Tian The University of Adelaide, Australia
发表：CVPR2019
论文：https://arxiv.org/pdf/1904.01355.pdf
代码：https://github.com/tianzhi0549/FCOS

思路：Anchor-based detectors有以下几个不足：

  1. 检测的效果对与anchor box有关的超参数十分敏感，需要精心设计
  2. 对新的任务参数需要重新设计，移植性差
  3. 为了提高召回率而使用了大量anchor box，而大多数box会被标记为负样本，从而导致正负样本的不均衡
  4. 大量的anchor boxes导致训练和测试过程中大量繁杂的IoU计算

可以看出这些不足主要和anchor box有关，当然它也有效的提高了AP，那有没有一种方法在保持高AP的同时，又避免anchor box的缺点呢，一种思路是针对anchor box的缺点进行设计，比如自动设计anchor box的参数，解决不足1和2，当然也会有其他方法解决3和4，另一种思路就是像本文提出的FCOS一样，直接去掉anchor box，这样带来的好处如下：

  1. 可以复用其他FCN-solvable tasks比如语音分割的方法
  2. 极大减少了参数，避免了设计的困难
  3. 减少了冗余的计算
  4. 移植性好

网络结构：

最低0.47元/天 解锁文章
目标检测论文：FCOS: Fully Convolutional One-Stage Object Detection及其PyTorch实现
mingo_敏
09-16 1万+
一阶段，没有anchor，没有proposal，内存占用少的目标检测算法。 1 概述 本文创新点： 使用语义分割的思想来解决目标检测问题； 摒弃了目标检测中常见的anchor boxes和object proposal，使得不需要调优涉及anchor boxes和object proposal的超参数（hyper-parameters）； 训练过程中避免大量计算GT boxes和ancho...
深度学习系列资料总结
热门推荐
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-17 2万+
说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................
论文阅读【FCOS】
Rock的博客
09-30 4886
Fully Convolutional One-Stage Object Detection 论文： 代码：
论文：FCOS: Fully Convolutional One-Stage Object Detection
杨杨子江的博客
10-20 640
论文：https://arxiv.org/pdf/1904.01355.pdf 代码：https://github.com/tianzhi0549/FCOS         &nbsp近期在Arxiv上出现的一篇比较火的单阶段目标检测算法-FCOS，今天我们就一起来分析分析这个算法。大家可能都知道目标检测算法以前主要分为两个大的方向：单阶段检...
FCOS论文整理(CVPR2021)
ahhhhhh520的博客
08-06 597
FCOS论文整理（CVPR2021）论文地址和代码主要贡献贡献解释 论文地址和代码 论文: https://arxiv.org/pdf/1904.01355.pdf. 代码: https://github.com/tianzhi0549/FCOS/. 主要贡献 这是2021年的一篇CVPR论文，该论文的主要贡献有如下几点： ●定义了一套不使用锚框，只使用全卷积的Anchor-free目标检测算法(FCOS)。 ●利用金字塔模型(FPN)进行多尺度预测，解决了Anchor-free目标检测算法中的一个公认的缺
论文阅读 FCOS: Fully Convolutional One-Stage Object Detection
weixin_45935290的博客
08-30 1185
我们提出了一种全卷积单阶段目标检测器（FCOS），以per-pixel 预测的方式解决目标检测问题，类似于语义分割。几乎所有最先进的目标检测器，如RetinaNet、SSD、YOLOv3和Faster R-CNN，都依赖于预定义的锚框（anchor boxes）。相比之下，我们提出的FCOS检测器是无锚框的，也无需提出建议区域（proposals）。通过消除预定义的锚框集，FCOS完全避免了与锚框相关的复杂计算，比如训练过程中的overlapping计算。
【深度学习】语义分割：论文阅读（NeurIPS 2021）MaskFormer: per-pixel classification is not all you need
zhe470719的博客
06-01 6334
目录详情知识补充语义分割实例分割动机Related WorksPer-pixel classification formulationMask classification formulationMaskFormerPixel-level moduleTransformer moduleSegmentation module掩膜分类推理语义推理 详情 论文：Per-Pixel Classification is Not All You Need for Semantic Segmentation / Mas
（附代码）YOLOF：速度和效果均超过YOLOv4的检测模型
爱CV
08-14 625
1、设计了多组实验，深入探讨了 FPN 模块成功的主要因素2、基于实验结论，设计了无需 FPN 模块，单尺度简单高效的 Neck 模块 Dilated Encoder3、基于 FPN 分治处理多尺度问题，配合 Neck 模块提出 Uniform Matching 正负样本匹配策略4、由于不存在复杂且耗内存极多的 FPN 模块，YOLOF 可以在保存高精度的前提下，推理速度快，消耗内存也相对更小。
YOLOF：速度和效果均超过YOLOv4的检测模型
lujohn3li
06-06 7127
点蓝色字关注“机器学习算法工程师”设为星标，干货直达！AI编辑：我是小将本文作者：OpenMMLab @000007https://zhuanlan.zhihu.com/p/370758213本文已由原作者授权转载0 摘要YOLOF 全称是 You Only Look One-level Feature, 其通过详细的实验指出特征金字塔 FPN 模块的成功在于其对目标优化问题的分治解决方案，而不是我们常说的多尺度特征融合。针对该结论，设计了一个简洁优雅的无需复杂 FPN 的网络结构，仅仅依靠单尺度
FCOS论文及源码详解(五)
qq_44920947的博客
12-10 1665
FCOS论文及源码详解（五）
FCOS: Fully Convolutional One-Stage Object Detection论文解读的ppt
01-09
作者提出了一种全卷积，一阶段目标检测网络，通过对每一个像素预测一个目标来解决目标检测问题（没有anchor，特征图上一个位置预测一个目标。anchor的办法是一个位置预测k个目标）。比起RetinaNet， SSD， YOLOV3， Faster RCNN等网络，FCOS不需要anchor，自然也不需要候选框。 通过消除anchor，FCOS避免了和ahor相关的复杂计算，比如在训练过程中要计算anchor和GT的IOU值。更重要的是，毕淼了和anchor相关的超参数，比如anchor的数目，比例和尺寸。FCOS具有更简单的网络结构，实现更高的精度。在单尺度单模型下，COCO上得到44.7%的AP。
论文阅读|FCOS
yanghao201607030101的博客
12-18 392
这是一种anchor free的点检测。论文提出了一种的新的Anchor-Free目标检测方法，将特征图上的点作为训练样本回归边界框。同时提出center-ness滤除远离目标中心的框。
FCOS论文及源码详解(一)
qq_44920947的博客
12-02 3606
FCOS论文及源码详解（一）FCOS论文Fully Convolutional One-Stage Object DetectorMulti-level Prediction with FPN for FCOSCenter-ness for FCOS参考文献 FCOS论文 以下内容摘自论文(FCOS: Fully Convolutional One-Stage Object Detection)，本人英语水平极差，翻译勉强看看就好 Almostall state-of-the-art object dete
FCOS: Fully Convolutional One-Stage Object Detection论文解读
嘿芝麻的树洞
04-06 2474
FCOS: Fully Convolutional One-Stage Object Detection 论文：https://link.zhihu.com/?target=https%3A//arxiv.org/abs/1904.01355   Abstract：我们提出了一种全卷积的 one-stage 目标检测器（FCOS），以每像素预测方式解决目标检测，类似于语义分割。几乎所有最先进的目标...
FCOS 论文笔记
qq_30146937的博客
02-20 403
前言 一些主流的目标检测方法比如Faster R-CNN，SSD，YOLOv3都依赖于一系列预先设定好的anchor，并且有很长一段时间，人们认为anchor是目标检测的关键所在。但是需要注意到，基于anchor的检测器会有以下缺点： anchor的尺度、长宽比和数量对检测性能会有影响，因此在基于anchor的检测器中需要对这些超参数进行仔细地的微调； 由于anchor的尺度和长宽比是固定的，检...
FCOS目标检测论文各种细节解读
xiao_ling_yun的博客
11-30 8061
PDF:https://arxiv.org/pdf/1904.01355.pdf 1. FCOS（Fully Convolutional One-Stage Object Detection） 先要明确的知道，FCOS是一个基于FCN、一阶段（one stage）、anchor free、proposal free、参考语义分割思想 实现的逐像素目标检测的模型。 ...
FCOS论文笔记
cuihaoren01的专栏
03-03 551
论文：FCOS: Fully Convolutional One-Stage Object Detection 论文链接：https://arxiv.org/abs/1904.01355 论文代码：https://github.com/tianzhi0549/FCOS Preface Introduction 首先作者按照“惯例”说明了基于Anchor based 检测器的缺点： 基于Ancho...
FCOS论文阅读
u010848594的博客
06-02 352
FCOS: Fully Convolutional One-Stage Object Detection
论文解读-FCOS:Fully Convolutional One-Stage Object Detection
为之则易，不为则难
04-07 6514
文章目录1 动机2 算法思想2.1 网络结构2.2 center-ness输出分支2.3 优化目标3 实验结果4 总结5 参考资料 1 动机 目标检测算法可以分为两大类别，anchor-based和anchor-free算法，前者是主流的做法，比如yolo-v3、ssd、faster rcnn等，它存在如下缺点， （1）引入很多需要优化的超参数， 比如anchor number、anchor s...
fcos论文
最新发布
03-08
### FCOS算法研究论文 FCOS（Fully Convolutional One-Stage Object Detection）是一种全卷积单阶段目标检测算法，其设计旨在简化传统基于锚框的目标检测方法中的复杂度并提高效率。该模型摒弃了传统的锚框机制，转...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值