共计 1543 个字符，预计需要花费 4 分钟才能阅读完成。
本文是对 FCOS 的小修小改，最终性能达到了 50.4AP，堪称相当强劲了，大家在工程上能够参考其中的改良以及晋升办法
起源：晓飞的算法工程笔记 公众号
论文: FCOS: A Simple and Strong Anchor-freeObject Detector
- 论文地址：https://arxiv.org/abs/2006.09214
- 论文代码：https://github.com/aim-uofa/AdelaiDet
Introduction
论文由 FCOS 原团队从新批改后发表，作者管这篇为 FCOS 的扩大版本而不是 FCOSv2，但为了好分辨，咱们就管他叫 FCOSv2 吧。FCOSv2 的整体思维根本与 FCOS 统一，但性能杰出很多。比照 FCOS，根底骨干 ResNet-101-FPN 上的性能从 41.5AP 晋升了 43.2AP，而最高版本的性能则是达到了 50.4AP。
本文次要探讨 FCOSv2 其中的一些改良与晋升办法，具体的其它实现可参考之前的 FCOS 文章。
FCOSv2
FCOS
FCOSv2 在思想上与 FCOS 基本一致，在特色图的每个地位预测指标的类别、尺寸信息以及 Center-ness，Center-ness 用来示意以后地位与指标中心点的间隔，指标的最终分数由分类分数和 Center-ness 分数联合所得。尺寸信息跟以往的 bbox 回归办法不同，预测的是特色地位到指标的四个边界的间隔。
图 2 为 FCOSv2 中的骨干网络结构，骨干网络仍然采纳 FPN，每层特色应用独特的 head 预测类别信息、尺寸信息以及 Center-ness，具体的能够看看之前的文章。
Change
上面列举了一些 FCOSv2 绝对于 FCOS 的批改，因为论文没有与原版进行比照，所以不晓得各局部带来的收益具体是多少：
- 正样本点指定的批改，FCOS 要求该特色点位于指标外部，以及该特色点到指标边界的间隔满足所处的 FPN 层的束缚，而 FCOSv2 则要求特色点位于指标的核心区域 $(c_x-rs, c_y-rs, c_x + rs, c_y+rs)$，$s$ 为以后层的 stride，$r=1.5$ 为超参数。
- 回归指标批改，FCOS 的回归指标间接是特色点到指标边界的间隔，因为 Head 是共用的，所以在预测时为每个 level 预设一个可学习的 scale 因子，而 FCOSv2 则退出 stride，变得更适应 FPN 的尺寸，可学习的 scale 因子仍然应用。
- center-ness 预测的地位，FCOS 的 center-ness 预测与分类预测放到了一起，而 FCOSv2 则将其与回归预测放到了一起。
- 回归损失函数批改，FCOS 应用 IoU 损失进行回归的学习，而 FCOSv2 则采纳了 GIoU 损失进行回归的学习。
- 最终分数的计算，FCOS 采纳分类分数以及 center-ness 之积，FCOSv2 则采纳分类分数以及 center-ness 之积的平方根：
Improvement
为了取得更好的性能，除了更换更强的骨干网络外，论文还将 FCOSv2 进行了如下扩大：
- 应用 BiFPN 代替一般 FPN，留神没有采纳深度拆散卷积，这部分能带来约 2AP 晋升。
- 测试阶段的数据加强，将图片顺次缩放至 $[400,1200]$，每次步长为 100，每个尺寸应用原图以及垂直翻转图片进行推理，这部分能带来约 2.5AP 晋升。
- 减少可变形卷积，别离替换骨干网络的第三和第四阶段的卷积，以及 Head 的两个分支的前四个卷积，这部分带来约 1.5AP 晋升。
Experiment
与 SOTA 办法比照。
推理性能比照。
Conclusion
本文是对 FCOS 的小修小改，最终性能达到了 50.4AP，堪称相当强劲了，大家在工程上能够参考其中的改良以及晋升办法。
如果本文对你有帮忙，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】