【检测】FCOS: Fully Convolutional One-Stage Object Detection

文章：https://arxiv.org/abs/1904.01355

现在的主流目标检测算法大部分都是先设定好anchor。虽然这个方法可以取得一些有效的成功，但是基于anchor的方法仍然存在着一些缺点：

1. Anchor的尺寸，分布率和数目对于检测结果的影响都很大。
2. 由于anchor的尺寸的分布率是固定的，在目标尺寸差距比较大，尤其是小物体多的情况下检测就会遇到困难
3. 为了得到一个高的召回率。基于anchor的检测器就需要密集的放置anchor。然而在这些anchor中，大部分的anchor在训练中都被标记为负样本，就会造成训练中正负样本的不均衡。（不均衡就会导致对比例大的样本造成过拟合，也就是说预测结果就会偏向样本数较多的分类）
4. 如果anchor的数目过于大，当在训练中计算所有的anchor和ground truth的iou时的计算量和资源也显著增加。

这篇论文提出了一种简单的FCN-based的检测器，并且实验证明获得了比基于anchor更好的正确率。

之前也有相关工作，比如Dense-box和Unitbox。但是他们一般被用于人脸检测，在有着高度重叠的bounding box的数据集上的效果并不好。因为在这中情况下，训练的时候，哪个bounding box去regress一个在重叠区域的pixel是并不清楚的。

Fully Convolutional One-Stage Object Detector

anchor-based 检测器是将anchor回归到ground truth，不同于这种方法，本文的方法是直接将location回归到ground truth。换句话说，是直接将location视作训练样本来代替anchor。

具体来说，如果location（x，y）在一个ground truth中，并且它的class label和ground truth的一样，就认为它是正样本。否则就认为是负样本并且class label是0（背景）。如果一个location在多个bounding box中，它就被认为是一个模糊的样本。暂时先选择最小区域的ground truth作为regression target。下一节通过用multi-level prediction，这种模糊样本的数目就被有效的减少了。如果location（x，y）和bounding box Bi联系，被表示为：

FCOS用了尽可能多的样本来训练regressor，然而anchor-based只考虑和ground truth有足够高的iou的anchor作为正样本。作者认为这是FCOS比anchor-based效果好的一个原因之一。

网络输出：

网络最终预测出一个80D的类别向量和一个4D向量t=（l，t，r，b）代表bounding box的坐标。并且用了c个二进制分类器来替代多分类器。此外，由于regression target总是正的，所以在regression branch用了exp（x）map 正数到（0，无穷）。
值得提的是，FCOS有比anchor-based（每个location有9个anchor） 9xfewer的输出。

Loss Function：

L_cls是focal loss，L_reg是IOU loss。N_pos是正样本的个数

Multi-level Prediction with FPN for FCOS：

上文中FCOS的2个可能存在的问题可以被应用了FPN的multi-level prediction
解决。

1. 最终feature map上大的补偿可能会导致一个相对低的BPR。对于anchor-based，由于大的步长导致的低的召回率可以被降低设置positive anchor的iou补偿一些。对于FCOS，第一反应可能会认为BPR会比anchor-based低很多因为不可能找回一个在最终feature map上没有location的物体。作者设置了大的步长，结果发现FCOS仍然可以得到一个好的结果，甚至比RetinaNet的效果更好，因此认为BPR不是FCOS的一个问题（为什么？）。此外，通过multi-level prediction，BPR提高的更多。
2. 如果出现overlaps的情况，一个location应该去regress哪个ground truth？
   这个问题可以被multi-level prediction解决，因为在multi-level prediction中，不同尺寸的目标被分配到不同的feature level。