目标检测 | FCOS,经典单阶段Anchor-Free目标检测模型
1. 论文信息
论文标题: 《FCOS: Fully Convolutional One-Stage Object Detection》
论文来源:ICCV2019
论文链接:https://arxiv.org/abs/1904.01355
论文代码:https://github.com/tianzhi0549/FCOS/
1 | @inproceedings{tian2019fcos, |
2. 归纳总结
标签 | 目的 | 方法 | 总结 |
---|---|---|---|
#Anchor-Free #单阶段 | 解决Anchor-Base算法超参数设置复杂,计算量大的问题 | FCN,Center-ness | Anchor-Free经典算法 |
3. 主要工作
FCOS是一种基于全卷积的单阶段目标检测算法,并且是一种Anchor box free的算法。其实现了无Anchor,无Proposal,并且提出了Center-ness的思想,极大的提升了Anchor-Free目标检测算法的性能。
Anchor free的好处是:
- 避免了Anchor Box带来的复杂计算,如计算重合度IoU;
- 避免了Anchor Box相关的超参数设置,其对性能影响较大;
因此,FCOS的优点是:
- 其可以和其他使用FCN结构的任务相统一,方便其他任务方法之间的re-use
- proposal free和anchor free,减少了超参数数量,更简单
- 减少了计算复杂度,如IoU计算
- FCOS在单阶段算法中性能不错,并且证明了FCOS替换两阶段算法里的RPNs也可以取得更好的性能
- 适用于各种instance-wise的预测问题
3.1 模型结构
模型结构如下图:
FCOS包含三个大模块:
- Backbone:提取图像特征,如结构图左侧所示,其中特征图尺寸逐层减半,如左侧
所示, 代表步长。对于坐标为 的位置,其映射回原图为 ; - FPN:多层级预测,提高检测器对不同尺寸目标的检测性能;与Anchor Based不同的是,FCOS通过限制不同层级边界框回归范围来分配层级
- Classification+Center-ness+Regression Head
对于FCOS,其直接将每个位置
由于一张图片中的目标数量有限,所以导致基于Anchor的算法会产生更多的负样本,因此FCOS对于每个像素点只回归一组值(可以理解为Anchor数量为1),可以利用更多的前景(正)样本信息去训练。如果坐标落在任何ground-truth box中即为正样本,且该位置的类别为这个gt box的类别
3.2 正负样本定义
一个目标检测算法性能的优异性,最大影响因素就是如何定义正负样本。而FCOS的定义方式非常通俗易懂。主要分为两步:
(1) 设置regress_ranges=((-1, 64), (64, 128), (128, 256), (256, 512),(512, INF),用于将不同大小的bbox分配到不同的FPN层进行预测即距离4条边的最大值在给定范围内
(2) 设置center_sampling_ratio=1.5,用于确定对于任意一个输出层距离bbox中心多远的区域属于正样本(基于gt bbox中心点进行扩展出正方形,扩展范围是center_sample_radius×stride,正方形区域就当做新的gt bbox),该值越大,扩张比例越大,选择正样本区域越大;(细节:如果扩展比例过大,导致中心采样区域超过了gt bbox本身范围了,此时需要截断操作)
3.3 损失函数
FCOS的损失函数为:
其中
为了减少低质量检测框,减少误检,FCOS增加了一个一层的分支,用于预测Center-ness,其描绘了位置到目标中心的归一化距离,下图展示了使用Center-ness(左)和不使用Center-ness(右)的区别。
Center-ness的计算公式如下,其范围为0-1,训练阶段使用BCE Loss并和之前的损失函数相加,测试阶段用于加权预测得分:
4. 实验结果
对比实验结果:
有无Center-ness分支的消融实验:
替换RPN的消融实验: