【目标检测】FCOS: Fully Convolutional One-Stage Object Detection
文章目录
-
- 一、背景
- 二、方法
-
- 2.1 全卷积单阶段目标检测器
- 2.2 Multi-level Prediction with FPN for FCOS
- 2.3 Center-ness for FCOS
- 三、效果
论文：FCOS: Fully Convolutional One-Stage Object Detection
代码：https://github.com/aim-uofa/AdelaiDet/tree/master/configs/FCOS-Detection
出处：ICCV2019
FCOS 贡献：
- 证明了目标检测也可以像语义分割那样，使用单阶段来实现
- 检测任务可以实现 proposal-free 和 anchor-free 来实现，可以很大程度降低超参数的设计和调试，使得目标检测任务更优美简单
- FCOS 达到了当前单阶段检测的 SOTA，并且也可以被用作两阶段网络中的 RPN 网络
- 使用 ResNeXt-32x8d-101-FPN，在 COCO 上得到了 42.1% AP
一、背景
当时主流的目标检测算法，如 Faster RCNN、SSD、YOLOv2/v3 等，都是基于 proposal 或 anchor 的方法，使用这些预定义的 anchor 是这些方法成功的主要原因。但这些方法也有一些缺陷：
- 检测效果严重依赖于预定义框的尺寸、宽高比、数量等等，如 RetinaNet 通过调节这些超参数，就在 COCO 上提高了 4 AP，所以 anchor-based 方法需要细致的调节这些超参数
- 由于目标大小和尺度跨度较大，所以尽管使用很丰富的参数，也有不能覆盖的情况
- anchor-based 方法为了提升效果，一般会使用很多的 anchor，但很多 anchor 其实是覆盖到负样本上了，有很严重的正负样本不平衡问题
- 过多的 anchor 会在训练的时候和真值计算 IoU 的时候增加很大的计算量
基于 FCN 的方法在语义分割、关键点检测、深度估计等领域都取得了较好的效果，同样作为密集预测任务，目标检测由于有 anchor 所以一直不能实现端到端的单阶段预测。
所以研究者就提出了问题：目标检测能通过逐点预测来实现吗？
在 FCOS 之前，也有一些 FCN-based 方法用于解决目标检测的问题，如 Dense-Box 和 UnitBox。这些结构在输出的特征图上，直接预测一个 4D 向量 + class 类别，如图 1 左侧所示，4D 向量表示从某个点到 bbox 的 4 个边的距离。
为了解决 bbox 大小不同的问题，DenseNet 将输入图像 resize 到相同大小，所以就需要使用金字塔的特征来进行目标检测。且这些方法难以解决单个点对应多个目标的问题，如图 1 右侧所示。更多的用于文字检测等目标无相交的情况，难以解决目标高度相交的情况。
二、方法
FCOS 方法是第一个使用逐个像素点来预测的目标检测方法，并且提出了 centerness 分支，来抑制 low-quality bbox 并提升检测效果。
2.1 全卷积单阶段目标检测器
1、训练样本构建
假设：
- backbone 的第 i i i 层的特征图为 F i ∈ R H × W × C F_i\in R^{H\times W\times C} Fi∈RH×W×C
- s s s 是在该层前所经历的 stride
- bbox 的真值可以表示为 B i {B_i} Bi， B i = ( x 0 i , y 0 i , x 1 i , y 1 i , c i ) ∈ R 4 × 1 , 2 , . . . , C B_i = (x_0^i, y_0^i, x_1^i, y_1^i, c^i) \in R^4 \times{1, 2,..., C} Bi=(x0i,y0i,x1i,y1i,ci)∈R4×1,2,...,C （分别表示左上和右下角点，和类别）
对于特征图 F i F_i Fi 中的任意位置 ( x , y ) (x, y) (x,y)，可以将其推回到该层特征图的输入特征图的位置 ( ⌊ s 2 ⌋ + x s , ⌊ s 2 ⌋ + y s (\lfloor \frac{s}{2} \rfloor + xs, \lfloor \frac{s}{2} \rfloor + ys (⌊2s⌋+xs,⌊2s⌋+ys。
本文提出的检测器是直接回归每个位置上的目标的bbox，也就是将每个像素位置看做一个训练样本，而非将每个 anchor box 看做训练样本。（anchor-based 检测器是回归每个 anchor 和真实框的偏移）
如何判定正负样本：
- 如果某个像素位置落入真实的 bbox 内，而且类别和真实的类别相同，则定义为正样本
- 否则判定其为负样本，且类别为 0 （background class）
回归的目标：
- t ∗ = ( l ∗ , t ∗ , r ∗ , b ∗ ) t^* = (l^* , t^* , r^* , b^* ) t∗=(l∗,t∗,r∗,b∗) 是每个像素位置（sample）所要回归的目标，分别表示从 sample 的位置到 bbox 的四个边的距离，如图 1 左侧所示。当一个点同时落入多个框的时候，被认为是 “ambiguous sample”，也就是 “模棱两可” 的框，选择最小面积的框作为回归目标。
- 如果一个像素位置 ( x , y ) (x, y) (x,y) 和 bounding box B i B_i Bi 是相关的，则训练时的回归目标可以被格式化为如下形式，从下面的公式中也能看出，FCOS 能够使用尽可能多的 sample 来作为训练样本（作者认为这也是 FCOS 能超越 anchor-based 方法的一个主要原因）
2、网络输出
在 backbone 的后面，连接了 4 层卷积层，来进行分类和回归，并且由于回归的目标总数正的，所以，作者在回归分支的后面使用 e x p ( x ) exp(x) exp(x) 来将任何 ( 0 , ∞ ) (0, \infty) (0,∞) 的实数进行映射。
- 80D 的分类结果（以 COCO 为例）
- 4D 的回归结果 t = ( l , t , r , b ) t = (l, t, r, b) t=(l,t,r,b)
分类器：C 个二分类分类器
优势：输出参数少
- FCOS 比 anchor-based 方法的输出参数少 9x，因为 anchor-based 方法在每个位置都放置了约 9 个不同大小的 anchors
3、Loss 函数
- L c l s L_{cls} Lcls 是 focal loss
- l r e g l_{reg} lreg 是 IoU loss
- N p o s N_{pos} Npos 是正样本的数量
- λ \lambda λ 是 1（为了平衡权重）
- Σ \Sigma Σ 的作用范围是特征图上的所有像素点
- KaTeX parse error: Expected 'EOF', got '}' at position 15: 1_{\{c_i^*\>0}}̲ 是一个调节因子，当 c i ∗ > 0 c_i^*>0 ci∗>0 时为 1，其他情况为 0
4、推理
FCOS 的推理是很直接的：
- 输入图像并经过 backbone 和 head
- 得到每个位置的特征图分类得分 p x , y p_{x,y} px,y 和回归得分 t x , y t_{x,y} tx,y
- 选择 p x , y > 0.05 p_{x,y}>0.05 px,y>0.05 的作为正样本，并得到预测框（公式1）
2.2 Multi-level Prediction with FPN for FCOS
下面介绍 FCOS 可能产生的两个问题，但可以通过多尺度特征 FPN 解决的：
1、特征图分辨率大幅降低（如 16x）可能产生的低 Recall
在 anchor-based 检测器中，由于降低分辨率导致的低 recall 可以通过使用低 IoU 阈值来得到补偿。
但对于 FCOS，可能第一眼会觉得低分辨率会造成其 recall 比 anchor-based 方法低的原因在于其不可能恢复在最终的特征图上没有对应sample的目标。
但在表 1 中，作者也验证了 FCOS 能达到和 RetinaNet 等方法甚至更好的 recall，而且通过使用 FPN，能进一步提高。
2、真值框的重合可能导致训练时候的样本模棱两可
在训练过程中，到底该位置应该回归哪个框呢？
这个模棱两可的问题可能降低 FCN based 检测器。
本文也验证了可以很好的解决该问题：
和 FPN 一样，本文作者也在不同分辨率的特征图上来预测不同尺度的目标，使用了 5 个 level 的特征图 P 3 , P 4 , P 5 , P 6 , P 7 {P_3, P_4, P_5, P_6, P_7} P3,P4,P5,P6,P7，其总 stride 分别为 8、16、32、64、128。
- P 3 , P 4 , P 5 P_3, P_4, P_5 P3,P4,P5 是通过 backbone C 3 , C 4 , C 5 C3, C_4, C_5 C3,C4,C5 经过 1x1 卷积来得到的（如图 2）
- P 6 P_6 P6 是在 P 5 P_5 P5 后使用 stride=2 的卷积得到的， P 7 P_7 P7 是在 P 6 P_6 P6 后使用 stride=2 的卷积得到的
Anchor-based 是怎么给不同分辨率的特征图分配 anchor 的呢？
Anchor-based 方法是给不同 level 的特征图分配不同大小的 anchor box
FCOS 是怎么分配 anchor 的呢？
FCOS 直接限制 bbox 回归的数值的范围
- 首先，在每个特征图的每个位置上计算回归目标值 t ∗ = ( l ∗ , t ∗ , r ∗ , b ∗ ) t^* = (l^* , t^* , r^* , b^* ) t∗=(l∗,t∗,r∗,b∗)
- 接着，如果某个位置的结果满足 m a x ( l ∗ , t ∗ , r ∗ , b ∗ ) > m i max(l^* , t^* , r^* , b^*)>m_i max(l∗,t∗,r∗,b∗)>mi 或 m a x ( l ∗ , t ∗ , r ∗ , b ∗ ) < m i − 1 max(l^* , t^* , r^* , b^*)
- 最后，作者对不同尺度特征共享 head，可以提高检测效果，并提升了效率。但是，由于不同 level 的特征图需要回归不同尺度的目标（如 P3 回归的尺度为 [0,64]），所以使用一个共享头是不太合理的。故此，作者没有使用标准的 e x p ( x ) exp(x) exp(x)，而是使用了 e x p ( s i x ) exp(s_ix) exp(six)， s i s_i si 也是一个可训练的参数，可以根据特征图的 level 自动调节尺度。
2.3 Center-ness for FCOS
虽然使用 FPN 可以弥补不同尺度目标的识别问题，但 FCOS 还是和 anchor-based 方法的效果有一定的差距。
主要原因在于，预测产生了很多距离目标中心点很远的低质量 bbox
如何解决距离中心点很远的低质量 bbox？
作者在原来的两个 branch 的基础上，添加了一个 centerness 分支，来预测每个位置的 “centerness”，即该位置和真实目标中心点的位置，如图 2 所示。
- 为了减缓衰落，使用了根号
- centerness 的范围是 （0,1），使用二值交叉熵损失来训练（添加到公式 2 的 loss 函数）
- 在测试时，final score（用于 NMS 框排序）是 centerness × \times × classification score 得到的，所以可以降低远离中心点的位置（即 low-quality 位置）的权重，可以通过 NMS 过滤掉很大一部分 low-quality 位置，提升检测效果。
极端情况下：
- 如果某一个点在box边界，那么centerness就是0
- 如果刚好在box中心，这个值就是1。centerness的值在0-1之间
- 测试的时候，作者将centerness乘以类别score作为新的score，这样就降低了远离中心点的location的分数;,在NMS阶段将会大概率过滤掉它们。
从 anchor-based 检测器的角度来看，anchor-based 方法使用两个 IoU 阈值（ T l o w T_{low} Tlow 和 T h i g h T_{high} Thigh 来将 anchor 分为 negative、ignore、positive，centerness 可以被看做一个 soft threshold。
三、效果
使用 ResNeXt-32x8d-101-FPN，在 COCO 上得到了 42.1% AP
使用 centerness 的效果对比：
如图 7 所示：
- 使用 centerness 前，有很多 low-quality bbox 的类别得分很高，很难被 NMS 消除
- 使用 centerness 后，这些点都被推到了左上角，即降低类别得分置信度，更容易被消除
如图 8 所示，FCOS 可以很好的检测被遮挡、高重叠的各种不同大小的目标。