論文: FCOS: A Simple and Strong Anchor-freeObject Detector
- 論文位址：https://arxiv.org/abs/2006.09214
- 論文代碼：https://github.com/aim-uofa/AdelaiDet
Introduction
論文由FCOS原團隊重新修改後發表，作者管這篇為FCOS的擴充版本而不是FCOSv2，但為了好分辨，我們就管他叫FCOSv2吧。FCOSv2的整體思想基本與FCOS一緻，但性能出色很多。對比FCOS，基礎主幹ResNet-101-FPN上的性能從41.5AP提升了43.2AP，而最高版本的性能則是達到了50.4AP。
本文主要探讨FCOSv2其中的一些改進與提升方法，具體的其它實作可參考之前的FCOS文章。
FCOSv2
FCOS
FCOSv2在思想上與FCOS基本一緻，在特征圖的每個位置預測目标的類别、尺寸資訊以及Center-ness，Center-ness用來表示目前位置與目标中心點的距離，目标的最終分數由分類分數和Center-ness分數結合所得。尺寸資訊跟以往的bbox回歸方法不同，預測的是特征位置到目标的四個邊界的距離。
圖2為FCOSv2中的主幹網絡結構，主幹網絡依然采用FPN，每層特征使用共同的head預測類别資訊、尺寸資訊以及Center-ness，具體的可以看看之前的文章。
Change
下面列舉了一些FCOSv2相對于FCOS的修改，由于論文沒有與原版進行對比，是以不知道各部分帶來的收益具體是多少：
- 正樣本點指定的修改，FCOS要求該特征點位于目标内部，以及該特征點到目标邊界的距離滿足所處的FPN層的限制，而FCOSv2則要求特征點位于目标的中心區域$(c_x-rs, c_y-rs, c_x + rs, c_y+rs)$，$s$為目前層的stride，$r=1.5$為超參數。
- 回歸目标修改，FCOS的回歸目标直接是特征點到目标邊界的距離，由于Head是共用的，是以在預測時為每個level預設一個可學習的scale因子，而FCOSv2則加入stride，變得更适應FPN的尺寸，可學習的scale因子依然使用。
- center-ness預測的位置，FCOS的center-ness預測與分類預測放到了一起，而FCOSv2則将其與回歸預測放到了一起。
- 回歸損失函數修改，FCOS使用IoU損失進行回歸的學習，而FCOSv2則采用了GIoU損失進行回歸的學習。
- 最終分數的計算，FCOS采用分類分數以及center-ness之積，FCOSv2則采用分類分數以及center-ness之積的平方根：
Improvement
為了獲得更好的性能，除了更換更強的主幹網絡外，論文還将FCOSv2進行了如下擴充：
- 使用BiFPN代替普通FPN，注意沒有采用深度分離卷積，這部分能帶來約2AP提升。
- 測試階段的資料增強，将圖檔依次縮放至$[400,1200]$，每次步長為100，每個尺寸使用原圖以及垂直翻轉圖檔進行推理，這部分能帶來約2.5AP提升。
- 增加可變形卷積，分别替換主幹網絡的第三和第四階段的卷積，以及Head的兩個分支的前四個卷積，這部分帶來約1.5AP提升。
Experiment
與SOTA方法對比。
推理性能對比。
Conclusion
本文是對FCOS的小修小改，最終性能達到了50.4AP，可謂相當強勁了，大家在工程上可以參考其中的改進以及提升方法。
請關注 微信公衆号【曉飛的算法工程筆記】