Anchor Free检测算法之FCOS

一.提出背景

2019 是 Anchor Free 大行其道的一年，从CornerNet 到 ExtremeNet，从FSAF到FCOS，层出不穷。

论文：FCOS: Fully Convolutional One-Stage Object Detection【paper】【github】

二.算法框架

FCOS框架比较简单，架构图参考：

基础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（感觉到P6就够了），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 + 1个位置回归 + 1个Center-ness（用于构建居中loss，后面展开）

二.Why FCOS？

看着架构图来看为什么要这么设计？

1）特征pyramid价值

不同尺度的目标，在不同的特征层下 特征保留的最好，将目标按照尺度划分到不同特征层进行回归，能够有效处理重叠目标（假设重叠目标的尺度不同）。

2）Anchor Free的价值

对于基于Anchor检测来讲，正样本按照尺寸和宽高比被划分到不同的Anchor，导致对于每一个Anchor，其分类和位置回归用到的训练样本都会大大减少。

Anchor Free解决的就是这个问题，基于中心点回归4条边的位置：

Loss定义为 分类Loss + 回归Loss：

3）Center-ness

“Center-ness”是指回归框距离中心的度量，公式很简单，l*,r* 差异越大，值越接近0，相等时=1：

通过 Center-ness Loss，将回归返回尽量约束在以当前点为中心的BBox上，这样做的好处是降低非Center Box的权重，有效抑制偏离中心的Box，

三.试验效果（进一步改进）

试验效果如下：

非常不错，超越YOLO v2和SSD、CornerNet，改进思路：

将回归位置归一化到【0，1】，添加多任务分支（比如分割），结合Anchor-Based方法 等。