FCOS理解

全栈程序员-站长 • 2026年3月16日下午7:24 • 未分类 • 阅读 3

一、Anchor-based的缺点

基于以上问题，作者在CornerNet、DenseBox等Anchor-Free后，提出了FCOS。

在这里插入图片描述

backbone是一个3层的卷积网络（对应图中C3，C4，C5），Pyramid特征金字塔构建完成P3-P7（可自行选择）每个金字塔层对应一个预测头（Head）。

其中Head层分为3个预测分支，1个分类得分（HWC） + 1个位置回归（HW4）+ 1个Center-ness(过滤误检框HW1)， C指类别数，H和W为特征图谱的大小。

Classification采用的是多次二类分类器（C binary
classifier），通俗的将，就是每个特征图后，接一个sigmoid，然后再用focal
loss损失。（Yolov3的分类器也是从softMax转到多次sigmoid）
Regression输出4维向量，分别对应点到上下左右边的距离，训练的时候，loss采用IOU loss

在这里插入图片描述

Center-ness层的引入可以进一步降低目标的误检测主要目标就是找到目标的中心点，即离目标中心越近，输出值越大，反之越小。
中心点目标定义如下，可见最中心的点的centerness为1，距离越远的点，centerness的值越小。

在这里插入图片描述

损失函数采用 BCE loss，并且增加在回归损失和分类损失后。

在这里插入图片描述

网络的输出 Classification 乘 center-ness计算出中心点得分。
center-ness的值离检测框中心点越远，值就越低，所以这一步可以过滤一部分误检框，作者选择分类得分大于0.05的作为正样本。也就是乘center-ness值后，越远离中心点的框，得分就越来越低，再接上NMS，可以获取和Anchor-Based不分高下。