FCOS改进版，COCO数据集mAP高达50.4
FCOS改进版，COCO数据集mAP高达50.4
FCOS: A Simple and Strong Anchor-freeObject Detector
PDF: https://arxiv.org/abs/2006.09214
目标检测论文：FCOS: Fully Convolutional One-Stage Object Detection及其PyTorch实现
1 center sampling选择正样本点
FCOS要求该特征点位于目标内部，以及该特征点到目标边界的距离满足所处的FPN层的约束。
FCOS改进版则要求特征点位于目标的中心区域，即
(
c
x
−
r
s
;
c
y
−
r
s
;
c
x
+
r
s
;
c
y
+
r
s
)
(c_{x}−rs; c_{y}−rs; c_{x}+rs; c_{y}+rs)
(cx−rs;cy−rs;cx+rs;cy+rs)， 其中s为当前层的stride，r为超参数， COCO种设置为1.5。
不同r的选择
2 回归目标优化
FCOS改进版则加入stride，变得更适应FPN的尺寸
FCOS:
FCOS改进版：
3 center-ness位置
FCOS的center-ness预测与分类预测放到了一起。
FCOS改进版则将其与回归预测放到了一起。
4 Reg Loss Function修改
FCOS使用IoU损失进行回归的学习。
FCOS改进版则采用了GIoU损失进行回归的学习。
5 final score的计算
FCOS采用分类分数以及center-ness之积。
final score
s
x
;
y
s_{x;y}
sx;y = classification score
p
x
;
y
p_{x;y}
px;y × predicted center-ness
o
x
;
y
o_{x;y}
ox;y
FCOS改进版则采用分类分数以及center-ness之积的平方根
对最终结果没有影响，估计就是为了final score 数值大一些吧。
6 使用BiFPN代替普通FPN，同时不使用深度分离卷积
这部分能带来约2AP提升
7 增加可变形卷积
分别替换主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提升。
8 在Head的卷积层后面使用Group Normalization
9 bbox loss weight
FCOS：所有正样本点的 weight 平权。
FCOS改进版：将样本点对应的 centerness 作为权重，离 GT 中心越近，权重越大。
10 bbox norm
FCOS：假设 FPN 某个 stride feature map 上某个点的回归预测值为 x，则对应的值
e
s
i
x
e^{s_{i}x}
esix，其中
s
i
s_{i}
si 为 stride。
FCOS改进版：假设 FPN 某个 stride feature map 上某个点的回归预测值为 x，则对应的值为
s
i
R
e
L
U
(
x
)
s_{i}ReLU(x)
siReLU(x)。加入 ReLU 可以保证结果非负。