目录
近期在Arxiv上出现的一篇比较火的单阶段目标检测算法-FCOS，今天我们就一起来分析分析这个算法。大家可能都知道目标检测算法以前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，而本文其实就属于单阶段的anchor-free目标检测算法。下面我们开始今天的正题！
一、FCOS是什么？为什么会这么火？
- 尽管是一个单阶段的目标检测算法，但是检测的精度却得到的极大的提升，远远超过了Faster-rcnn；
- 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，而本文的作者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；
- 其实在检测领域中自从Faster-rcnn出现之后，已经很久没有什么特别的检测算法啦，大家基本都是小改小动；除此之外，FCOS算法的宣传力度比较大，开源工作也做的比较好，这些都是一些关键的因素。
二、为什么要提出FCOS以及FCOS的优势在哪？
作者为什么要提出anchor-free算法FCOS呢，主要的原因如下所示：
- anchor会引入很多需要优化的超参数， 比如anchor number、anchor size、anchor ratio等；
- 为了保证算法效果，需要很多的anchors，存在正负样本类别不均衡问题；
- 在训练的时候，需要计算所有anchor box同ground truth boxes的IoU，计算量较大；
FCOS属于anchor-free类别的算法，且效果在anchor-free派系中算SOTA了。它的主要优点如下：
- 因为输出是pixel-based预测，所以可以复用semantic segmentation方向的相关tricks；
- 可以修改FCOS的输出分支，用于解决instance segmentation和keypoint detection任务；
三、FCOS算法整体框架
FCOS算法的整体框图如上所示：映入我们眼帘的是什么？对没错是FPN特征金字塔和三分支的头检测网络。
FPN特征金字塔在提出之后，已经得到了广泛的使用，在多个领域中都可以看到它的身影，如语义分割、细粒度分类等等，它的主要思路是结合了网络的浅层特征和深层特征，然后在多个分支同时输出不同大下的目标。充分的使用了网络的浅层特征和深层特征，浅层特征更关注一些细节信息，适合用来定位；而深层特征更关注于语义信息，适合用来分类等。具体的细节可以看我的这篇博客FPN链接。
整个算法的实现步骤如下所示：
步骤1-对输入的图片进行预处理操作；
步骤2-搭建如图所示的网络架构，将输入数据送入backbone网络中获取输入数据的feature_map，在feature_map的每一点上面进行回归操作，进行网络训练获取网络模型；
步骤3-将预训练的网络模型应用到测试图片中，从特征金字塔的多个Head中获得预测的结果；
步骤4-使用NMS等后处理操作获得最终的结果。
四、FCOS算法实现细节详解
1、FCOS算法和基于anchors的检测算法的不同之处在哪里？
2、Loss函数详解
该loss函数如上图所示，同样包含两部分，Lcls表示分类loss，本文使用的是Focal_loss；Lreg表示回归loss，本文使用的是IOU loss。其实这两个loss应当是当前最好的配置啦。
3、FPN带来了哪些具体的优势呢？
4、FCOS中的Center-ness是什么，有什么作用？
作者观察到FCOS会引入一些低质量的BB，即远离目标中心的BB，而Center-ness的作用就是用来很好的抑制这些低质量的BB的产生，它的优点是比较简单。不需要引入其它的超参数。它的位置是在Head网络的分类网络分支下面。对于给定的一个位置的回归目标的l、t、r、b而言，center-ness目标的定义如下所示：
其范围在[0, 1]之间，使用BCE损失函数来训练，它可以用来降低距离对象中心很远的边界框分数的权重，它可以被看做是一个软阈值，可以在网络训练的过程中学习得到，不需要进行调节。除此之外，由于NMS的存在可以在一定程度上过滤点这些低质量的BB。
5、算法实现细节
在训练阶段，文中使用ResNet-50作为backbone网络，使用SGD优化器，初始学习率为0.01，batch_size=16，在迭代60K和80K时的weight_decay分别为0.0001和0.9，使用ImagNet预训练权重进行初始化，将输入图片裁剪为短边不小于800，长边不小于1333大小。整个网络是在COCO数据集上面训练得到的。
五、论文结果展示
1、客观评价指标展示
这个表格证明了FPN确实能够提升BPR！
这个表格证明了FCOS无论是在精度上还是在速度上都优于RetinaNet。尽管两个算法的速度都不是很快！
这个表格和这张图同时证明了center-ness有用，同时也说明了center-ness的使用方式是和Head分支预测的分类得分进行相乘。
这个表格说明了FCOS算法的精度确实不低，超过了CornerNet和Faster-rcnn，但是并没有涉及算法的速度！！！
2、主观效果展示
看起来还不错，BB的准确率挺高的，不过结果展示的有些少呀，我没有进行实测！
六、个人总结
总体来讲，FCOS算法确实不错，精度提高了不少，敢于突破传统思维，但是却让单阶段检测算法的速度变慢了，竟然和RetinaNet做比较，毕竟精度和速度必须这一个折中，不过基于anchor-free的检测算法应该是目标检测算法的一个趋势吧，单阶段目标检测算法的优势也会慢慢得到提高的，毕竟FCOS是基于anchor-free框架的起步的一些工作，期待着更惊艳的单阶段目标检测算法的出现。
注意事项
[1] 该博客是本人原创博客，如果您对该博客感兴趣，想要转载该博客，请与我联系（邮箱：@.com）,我会在第一时间回复大家，谢谢大家的关注。
[2] 由于个人能力有限，该博客可能存在很多的问题，希望大家能够提出改进意见。
[3] 如果您在阅读本博客时遇到不理解的地方，希望您可以联系我，我会及时的回复您，和您交流想法和意见，谢谢。
[4] 本文内容中的大部分内容都摘自该博客，本来打算按照自己的思路去写，不过想来想去还是绝对这篇博客说的更好一点，为了让读者们能够更好地了解该论文，还是引用了该博客的内容。
[5] 本人业余时间承接各种本科毕设设计和各种小项目，包括图像处理（数据挖掘、机器学习、深度学习等）、matlab仿真、python算法及仿真等，有需要的请加：详聊！！！
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/202896.html原文链接：https://javaforall.net
