FCOS: Fully Convolutional One-Stage Object Detection 算法解析

    这是一篇使用 anchor free 方法做目标检测的工作，相对于其他的工作，没有本质上的变化，但是我觉得有两个创新点是很有意思的。

    文章：FCOS: Fully Convolutional One-Stage Object Detection

    论文地址：https://arxiv.org/pdf/1904.01355.pdf

    代码地址：https://github.com/tianzhi0549/FCOS

    文章的内容从名字上就能看出来，就是一种单步的anchor free 目标检测算法，为什么要用 单步 -- 很简单，因为速度快，在工程应用的落地上有优势， 为什么要用anchor free -- 文章的解释是，引入 anchor 的同时，也引入了大量的超参数，手动调整需要大量的工程经验才能调出好的效果，同时anchor 的引入会附带很多额外的计算量，比如Faster RCNN中RPN的 NMS。而anchor free 的方式结构简单，效果也能做的很不错。

一、 算法流程：

      算法的流程很简单，首先是一个骨干网络，文章用了resnet101 和resneXt，这个并不关键。然后是一个 FPN ，最后在FPN的feature map上跟了一堆检测头，这种做法也比较常见。

二、标签和回归

    我一直认为，在行人检测或者其他目标检测中，单纯的调整CNN网络结构其实并没有什么卵用。因为那根本就没有从本质上去分析这个问题，我认为在检测问题中最有价值的两个方面就是 标签的处理 和 predict box的后处理。这篇文章的标签处理还是很有意思的：

     和CSP一样，网络的前向输出是一张图 H*W*C 和 H*W*4 的图。那标签也就是这么大的两张图，问题来了，怎么标呢？

     1、我们把标签的 feature map 叫做 true label ，把神经网络输出的 feature map 叫做 predict。首先true label 上的每个点都可以对应到原图上，如果这个点落在了 Ground Truth 上，那么这个点就可以当作正样本拿来训练，该点还对应了4个值，分别是l、t、r、b（light 、top、right、bottom），四个参数的定义如下图所示，公式的话就是这个公式（1），若果出现右边的情况，这个点当成蓝色框的回归（因为这个目标小）

     2、有了第一步，我们就能把原图 转化成两张feature map，一张 H*W*C 另外一张 H*W*4 。用他们就可以和predict做Loss训练网络了。

    3. Loss函数：这篇文章的Loss就是很普通的Loss了 由Loss cls 和 Loss regr构成，分别描述了分类精度和坐标精度。公式如下：

     参数解释：Pxy是神经网络前向预测的分类概率，和Cxy做一个交叉熵再除以 positive 的数量得到分类损失。Loss regr则是将预测得到的四个坐标和该中心点，缩放之后还原到原图上，用还原的框和GT做一个 IoU Loss 得到定位损失。

     这个标签的设计是很有意思的，她一定程度上解决了正负样本极度不平衡的问题。anchor base 的算法中，是IOU>0.7算正样本。而在这里，只要你的这个点落在了GT的范围内，这就是一个正样本正样本的数量是坑定能提升的。另外，这样的方式能够是目标周围得到更多的比较好的predict结果。有利于提升检测精度。

三、中心度的概念（center-ness）

     这篇文章的第二个创新点就是这里了，提出了一个中心度的概念。很巧妙，但我觉得和CSP中的那种正态分布标签的目的是相同的，手段上略有差别：CSP利用Focal Loss 抑制边缘对于Loss 的贡献，这篇就很粗暴了，直接扣分--score*centerness。

    上述的工作完成之后，作者发现算法整体的效果还是有问题。因为，在距离目标中心较远的位置上，出现了很多质量比较低的框。那么很自然的想法就是抑制这些框啊，让他们这些点的最终得分减少，这样就可以用NMS将他们抑制掉了。于是就有了这样一个式子：

     稍微想一下就能知道，当前点距离GT中心点越近centerness 越接近于1，否则就接近于0，将这个数直接乘在predict 的score上，就能将那些边缘上的点的分数变得很低，从而是NMS更容易的抑制他们。

    中心度的实际效果就是这张图，红色的部分得分最高，越是接近边缘得分就越低。

     

四、看看实验

     1、 有没有centerness的对比，这用坑定要做的，毕竟提出一个概念，要证明他有没有用：

     可以看出，这个centerness还是挺有用的，而且只是在检测头上加了一个小分支，用起来也挺方便的

     2、 和目前最好的检测器的比较：

    3、 其他的就是一些用不同的层做实验，加不加FPN的实验等等

    OK，就写这些