fcn网络结构代码_CVPR 2021 | E2ENet，丢弃Transformer，FCN也可以实现E2E检测（已投CVPR 2021）...

点击上方“计算机视觉社区”，选择加"星标"

重磅干货，第一时间送达

论文题目：

End-to-End Object Detection with Fully Convolutional Network

论文地址：

https://megvii-my.sharepoint.cn/personal/wangjianfeng_megvii_com/_layouts/15/onedrive.aspx?id=%2Fpersonal%2Fwangjianfeng%5Fmegvii%5Fcom%2FDocuments%2Fe2e%2Epdf&parent=%2Fpersonal%2Fwangjianfeng%5Fmegvii%5Fcom%2FDocuments&originalPath=aHR0cHM6Ly9tZWd2aWktbXkuc2hhcmVwb2ludC5jbi86YjovZy9wZXJzb25hbC93YW5namlhbmZlbmdfbWVndmlpX2NvbS9FU3YtbWhta3RSOUdsd2FhVjN6TWRlRUI2VEVYUTBiUXNGZl9TX040bnRCWkNBP3J0aW1lPV9VX2NfYmVaMkVn

论文代码：即将开源

我们基于FCOS，首次在dense prediction上利用全卷积结构做到E2E，即无NMS后处理。我们首先分析了常见的dense prediction方法(如RetinaNet、FCOS、ATSS等)，并且认为one-to-many的label assignment是依赖NMS的关键。受到DETR的启发，我们设计了一种prediction-aware one-to-one assignment方法。此外，我们还提出了3D Max Filtering以增强feature在local区域的表征能力，并提出用one-to-many auxiliary loss加速收敛。我们的方法基本不修改模型结构，不需要更长的训练时间，可以基于现有dense prediction方法平滑过渡。我们的方法在无NMS的情况下，在COCO数据集上达到了与有NMS的FCOS相当的性能；在代表了密集场景的CrowdHuman数据集上，我们的方法的recall超越了依赖NMS方法的理论上限。

整体方法流程如下图所示：