目标检测（3）anchor free：FCOS解读

PDF: https://arxiv.org/pdf/1904.01355.pdf.
CODE： https://github.com/tianzhi0549/FCOS/.
https://blog.csdn.net/shanglianlm/article/details/89007219.
https://zhuanlan.zhihu.com/p/63868458.
https://zhuanlan.zhihu.com/p/156112318.
https://blog.csdn.net/WZZ18191171661/article/details/89258086.

1.思路来源

segmentation方法应用在object detection上。model：FCN。
FCN使用在语义分割、关键点检测等领域使用的很好，能否迁移到检测任务上。

2.anchor box

介绍：
使用在one-stage和two-stage中，用于bbox框的检测。

缺点：
1、检测效果受到anchor的size、ratios、number的限制。需要精调。
2、由于anchor的size、ratios等固定，当gt bbox时大时小的时候，泛化能力差。
3、为了提高召回率，需要设置大量anchor。其中绝大多数属于负样本。正负样本不平衡。
4、大量anchor，加大了求IOU的计算量。

anchor free方法：避免anchor base的复杂计算和过多的参数。

3.FCOS

center-ness:远离中心位置处有很多低质量的预测边界框，使用center-ness预测像素到对应边框的偏差。

FCOS优势
1.FCOS与许多基于FCN的思想是统一的，因此可以更轻松的重复使用这些任务的思路。
2.检测器实现了proposal free和anchor free，显著的减少了设计参数的数目。设计参数通常需要启发式调整，并且设计许多技巧。另外，通过消除锚框，新探测器完全避免了复杂的IOU计算以及训练期间锚框和真实边框之间的匹配，并将总训练内存占用空间减少了2倍左右。
3.FCOS可以作为二阶检测器的区域建议网络(RPN)，其性能明显优于基于锚点的RPN算法。
4.FCOS可以经过最小的修改便可扩展到其他的视觉任务，包括实例分割、关键点检测。

方法对比：
YOLO1 利用中心附近点进行检测。
FCOS利用gt bbox所有点进行预测，并使用center-ness抑制底质量边界。
CornerNet：无法处理重叠边界框。

网络结构

backbone+FPN+head

3.1 FCOS计算方式

1.对bbox的预测
（1）anchor-based算法将输入图像上的位置作为锚框的中心店，并且对这些锚框进行回归。
（2）FCOS直接对feature map中每个位置对应原图的边框都进行回归，换句话说FCOS直接把每个位置都作为训练样本，这一点和FCN用于语义分割相同。

2.正负样本判断
（1）anchor-base用IOU阈值判断正负样本
（2）FCOS：在FCOS中，如果位置 （x,y）落入任何真实边框，就认为它是一个正样本，它的类别标记为这个真实边框的类别。
问题：
这样会带来一个问题，如果标注的真实边框重叠，位置（x,y）映射到原图中落到多个真实边框，这个位置被认为是模糊样本，后面会讲到用多级预测的方式解决的方式解决模糊样本的问题。

3.cls预测
以往算法都是训练一个多元分类器
FCOS训练 C 个二元分类器(C是类别的数目)

3.2 FPN的多级预测

首先明确两个问题：

1.基于锚框的检测器由于大的步伐导致低召回率，需要通过降低正的锚框所需的交并比分数来进行补偿：在FCOS算法中表明，及时是大的步伐(stride)，也可以获取较好的召回率，甚至效果可以优于基于锚框的检测器。
2.真实边框中的重叠可能会在训练过程中造成难以处理的歧义，这种模糊性导致基于fcn的检测器性能下降：在FCOSzhong ，采用多级预测方法可以有效地解决模糊问题，与基于锚框的模糊检测器相比，基于模糊控制器的模糊检测器具有更好的性能。

前面提到，为了解决真实边框重叠带来的模糊性和低召回率，FCOS采用类似FPN中的多级检测，就是在不同级别的特征层检测不同尺寸的目标。

3.3 Center-ness

通过多级预测之后发现FCOS和基于锚框的检测器之间仍然存在着一定的距离，主要原因是距离目标中心较远的位置产生很多低质量的预测边框。

在FCOS中提出了一种简单而有效的策略来抑制这些低质量的预测边界框，而且不引入任何超参数。具体来说，FCOS添加单层分支，与分类分支并行，以预测"Center-ness"位置。

3.4 loss