文章目录[隐藏]

一，概述

目标检测算法主要分为两个大的方向：单阶段检测器/双阶段检测器，其对应的代表性算法分别是Faster-rcnn和Yolo。而随着目标检测性能的大幅度提升，这个领域的门槛变得很高，仅有很少的大佬们仍然在探索着新的检测算法。其实对于目标检测而言，我们还可以按照其它的类别进行划分，即所谓的基于anchor和anchor-free的算法。FCOS是一个基于anchor-free的单阶段目标检测算法。
该算法是基于anchor-free的，即敢于去挑战权威，在目标检测领域中，很多人可能都形成了一个定势思路，为了处理尺度和不同比率问题，anchors是必须使用的模块，而FCOS敢于脱离这个思路提出一个较新的视角，使得人们眼前一亮。

二，FCOS的框架

FCOS的结构如图所示，主要应用了FPN的结构，在最后的阶段除了类别的分类和边框回归还有一个预测量，下面我们就详细研究FCOS：

在这里插入图片描述

2.1 FCOS优势：

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。
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。
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。
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。

2.2 锚框缺点：

检测表现效果对于锚框的尺寸、长宽比、数目非常敏感，因此锚框相关的超参数需要仔细的调节。
锚框的尺寸和长宽比是固定的，因此，检测器在处理形变较大的候选对象时比较困难，尤其是对于小目标。预先定义的锚框还限制了检测器的泛化能力，因为，它们需要针对不同对象大小或长宽比进行设计。
为了提高召回率，需要在图像上放置密集的锚框。而这些锚框大多数属于负样本，这样造成了正负样本之间的不均衡。
大量的锚框增加了在计算交并比时计算量和内存占用。

2.3 FCOS与与基于锚框的检测器的区别

1）回归的区别

anchor-based算法将输入图像上的位置作为锚框的中心点，并且对这些锚框进行回归。
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）正样本的规定

在训练过程中，anchor-based算法对样本的标记方法是，如果anchor对应的边框与真实边框(ground truth)交并比大于一定阈值，就设为正样本，并且把交并比最大的类别作为这个位置的类别。
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0个真实边框的类别。

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，FCOS用多级预测的方式解决的方式解决模糊样本的问题。具体的做法为：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。

与基于锚框不同的地方

基于锚框的检测器将不同尺寸的锚框分配到不同级别的特征层
FCOS通过直接限定不同特征级别的边界框的回归范围来进行分配

3）训练分类器的个数

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)

2.4 FCOS的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。

preview

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。

center-ness(可以理解为一种具有度量作用的概念，在这里称之为"中心度")，中心度取值为0,1之间，使用交叉熵损失进行训练。并把损失加入前面提到的损失函数中。测试时，将预测的中心度与相应的分类分数相乘，计算最终得分(用于对检测到的边界框进行排序)。因此，中心度可以降低远离对象中心的边界框的权重。因此，这些低质量边界框很可能被最终的非最大抑制（NMS）过程滤除，从而显着提高了检测性能。

有无Center-ness的结果对比

preview