标签：box FCOS based Simple Object gt 样本 anchor

概述

在目标检测领域，早期已经发展出非常多的 anchor based 检测方法，包括 FasterRCNN、RetinaNet、SSD、YOLO v3 等，但是 这类 anchor based 方法，存在一些比较显著的问题：

• anchor 的大小、宽高比、以及数目都对检测性能有很大有影响；
• 尽管可以针对数据集对 anchor 做精心设计，但是小目标检测效果仍然不够好，而且这也大大降低了泛化性能；
• 为了检测精度，需要布置大量的 anchor，而其中绝大部分是负样本，造成了正负样本不均衡；
• anchor box 涉及到复杂的 IoU 计算，需要给每个 anchor 分配 gt box 框。

方法

针对 anchor based 方法的问题，作者提出了 FCOS，一种 anchor free 目标检测方法，整体结构示意图如下：

具体方法上：

• 模型输出五层不同尺度特征图，针对特征图上的点，直接回归分类和 box 坐标；
• 正样本选择上，使用 gt box 中心区域附近的点认为是正样本点。而这个区域大小，设置为到该层的 stride 值的 1.5 倍。同时确保不超过原始 box 框的大小。这样的正样本选择，实际上使得不会由于stride的设置，使得特征图对应原图位置的点被跳过不被选中作为 box 中心；
• 对于特征图上每个点，计算分类损失（focal loss）和回归损失（GIoU）。当然回归损失只有正样本才计算；
• 推理阶段，使用模型预测出的分类得分和 box 位置，做 NMS 非极大值抑制（threshold=0.6），后处理流程和 RetinaNet 一致。

除此之外，FCOS 还存在两个问题：

• 一是每个点可能对应到多个 gt 框，这使得在这个点进行的 box 和分类预测具有歧义性，模型不知道该去拟合哪个 gt （下面右图）；
• 二是在离目标中心较远的地方有很多低质量的预测框。

针对这两个问题 FCOS 给出了一定的解决方案：

• 多层特征图：在用多层特征图进行预测的时候，限制每个层级的特征图预测的 box 的大小范围，降低每个位置需要回归的 box 的歧义性。如果仍然有一个点对应到多个 gt 的情况，那么直接选择面积最小的 gt 作为这点的对应框；
• 提出Center-ness：在回归分支上增加一个 Center-ness 分支，预测每个位置和中心位置的偏移程度。在训练阶段将 Center-ness 加入损失项；在推理阶段，一个位置的得分是分类得分和 Center-ness 得分的乘积，抑制离目标中心点远的低质量预测。

Real-time FCOS

除 FCOS 模型，还提出了一个更为轻量化的 Real-time FCOS 模型，主要的修改在于：

• 降低输入图像大小，将输入图像短边由 800 降低到 512，长边最大值由 1333 降低到 736；
• 取消 P6、P7 两个低分辨率特征图。

结论

最终 FCOS 在 COCO 上 获得了较高的得分值。指标超出 anchor based 方法，但是可以看出仍然存在较多的手工设计值，回归歧义性的问题也需要更好的解决方法。如果实际使用，还是建议更新更成熟的算法。指标图如下：

标签：box,FCOS,based,Simple,Object,gt,样本,anchor
来源： https://blog.csdn.net/bengyanluo1542/article/details/121718636

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。