FCOS: Fully Convolutional One-Stage Object Detection

Anchor-Free文章

主要做的贡献如下（可能之前有人已提出）：

1. FPN分阶段回归
2. Center-ness Loss

二. 模块详解

2.1 论文思路简介

论文整体比较简单，直接从头读到尾没有什么障碍，好像Anchor-free的文章都比较简单。下面直接以模块介绍。

文章中 (l^*、b^*、r^*、t^*) 表示label，(l、b、r、t) 表示predict

---

2.2 具体实现

2.2.1 回归形式

文章直接回归 (l、r、b、t、c) 其中 (c) 表示种类，前面四个在上图中有表示。

回归采用正负样本形式：

• (feature map) 表示回归的特征图（以 (M) 表示）
• (M_{i,j}) 表示 ((i,j)) 个点的特征值
• 将 (M_{i,j}) 映射到原图，假设当前特征图的总步长是 (S) （和原图比例），则原图点(P_{i,j} =（frac{S}{2}+M{i}*S，frac{S}{2}+M{j}*S）)
• (P_{i,j}) 落入哪个label区域，就负责回归哪个label，算作正样本。落到外部则算作负样本。
• 如果落在重复区域，按照上图的形式（哪个面积小，就负责哪个label）

文章采用FPN结构，用于提高召回率和精确度。参考Anchor-based（不同尺度的Anchor负责不同大小的目标），文章对不同的层进行限制目标大小：其中(M_{1}、M_{2}、...M_{6} = 0、64、128、256、 512)，按照 (M_{i}<（l^*、b^*、r^*、t^*）<M_{i-1}) 形式进行分配。

最后文章发现一个问题，NMS时候出现很多和最终目标接近的框，我们希望的是：负样本和正样本区分明显，而不是很多接近正样本的框（比如分类，虽然可以正确分类，但是出现很多 (conf=0.45) 的目标，我们希望出现(conf_{pos}=0.99,conf_{neg}=0.11)）。

文章通过设置 (center) 进行控制，对于那些中心偏离的目标进行抑制。我们不仅仅要IOU好，也要center好。文章通过新建一个新的分支进行center-ness进行回归。

三. 参考文献

• 原始论文
• FCOS改进