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：

  1. 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。
  2. 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。

  1. 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。
  2. 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。
  3. 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：

  1. 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。
  2. 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。
  3. 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】