FCOS: Fully Convolutional One-Stage Object Detection

FCOS: Fully Convolutional One-Stage Object Detection

https://arxiv.org/abs/1904.01355
https://github.com/tianzhi0549/FCOS/

1. Summary

写完笔记之后最后填，概述文章的内容，以后查阅笔记的时候先看这一段。注：写文章summary切记需要通过自己的思考，用自己的语言描述。忌讳直接Ctrl + c原文。

FCOS是一个全卷积的单阶段目标检测器，去除了对于Anchor的依赖，将图片上的每个位置都作为sample，大大提高了对于图片的利用率。具体而言，对于某个位置来说，其如果落在某个GT BBox内，则认为其为正样本，并对该GT BBox进行回归（回归目标是该点距离其分配的GT BBox四条边的距离），反之，如果某个点没有落在任何GT BBox内，则认为其为负样本。这样一来，位于GT BBox内的所有样本都会被作为正样本进行训练。同时，FCOS还采用或者提出了一些方案用于解决全卷积网络的问题：

• ambiguous sample

同一个点可能落在不同的GT BBox内，这个主要通过采用FPN的不同尺度预测不同尺寸物体的方式来缓解，如果还存在重复，那么就选择面积最小的GT BBox进行匹配。实验说明，这种设定已经可以比较好地缓解该问题。

• 低质量预测框

FCOS会预测大量低质量的预测框，这些框距离被分配的GT BBox的中心很远，这里通过加入了一层卷积预测"center-ness"来进行了缓解。该值反应了预测框与GT BBox中心的对齐程度，测试时，会用于down weight低质量框的分数，从而使用NMS进行去除。

2. Research Objective(s)

作者的研究目标是什么？

提出一个全卷积的一阶段目标检测器，去除对于参数敏感的Anchor，简化计算和参数设计，仅需要依赖于后处理的NMS，基于ResNeXt-64x4d-101可以获得44.7%的AP。

3. Background / Problem Statement

研究的背景以及问题陈述：作者需要解决的问题是什么？

3.1 Anchor-Free

现有的主流目标检测器，例如Faster R-CNN、SSD、YOLOv2-3都依赖于一个提前定义好的Anchor Boxes集合，这种基于Anchor的设计存在以下问题：

• 检测的性能对于Anchor Boxes的尺寸、长宽比以及数量都非常敏感，因此，这些参数都需要精心去调整。
• Anchor Boxes的尺寸、长宽比都是固定的，检测器对于形状变化较大的目标就难以准确检测，特别是对于小目标，也影响了模型的泛化能力。
• 为了提高召回率，这些Anchor Boxes都需要密集分布于图片上，而其中绝大多数Anchor都会被标记为negative，从而导致了较为严重的类别不均衡的问题。
• Anchor Boxes会设计到计算IOU等较为复杂的计算过程。

我们能否和语义分割、深度估计、关键点检测、计数等任务一样，去除对于Anchor的需要，以一个逐像素的预测方式去解决目标检测任务？

3.2 重叠bbox

高度重叠的bounding box会带来模糊，如下图右所示：

3.3 低质量预测框

进一步分析发现，全卷积方案会产生很多低质量的远离对应bounding box中心的预测框。

4. Method(s)

作者解决问题的方法/算法是什么？是否基于前人的方法？基于了哪些？

4.1 Anchor-Free=>FCN范式

4.1.1 相关工作

4.1.1.1之前的FCN目标检测器

逐像素预测的基本范式就是FCN范式，之前也有方法采用FCN-based的框架完成目标检测，例如DenseBox。DenseBox对于每个空间位置输出一个4D向量以及一个类别，4D向量用于指示像素位置与bbox的偏移。但是为了解决不同尺寸的bbox的问题，DenseBox将输入图片进行Crop并Resize为一个固定的尺寸，并且使用了Image Pyramid，违背了FCN范式只计算所有卷积一次的设计理念。

其余的一些工作，仅适用于特定的一些场景，其对于高度重叠的场景性能不佳。

4.1.1.2 Anchor-Free 检测器

• YOLOv1

YOLOv1也是一个Anchor Free检测器，它仅预测与points相近的Bbox，也就是只有那些与bbox相近的points才会被用于预测bbox，因此，YOLOv1的召回率较低。

与YOLOv1不同的是，FCOS使用了位于GT BBox内部的所有points去进行预测，同时低质量的检测框也会被后文提到的“center-ness”分支所抑制。因此，FCOS可以提供更好的性能。

• CornerNet

CornerNet也是一个单阶段的目标检测器，它检测一个BBox的Corners对，它需要较为复杂的后处理操作去对corners进行group，并且需要额外学习距离指标。

4.1.2 Fully Convolutional One-Stage Object Detector

定义$F_i\in {\mathbb{R}}^{H\times W\times C}$是一个CNN backbone的第$i$个layer输出的特征，当前特征整体的stride为$s$。

对于一个输入图片的GT BBox被定义为$B_i$，其中$B_i=(x_0^{(i)},y_0^{(i)},x_1^{(i)},x_1^{(i)},c^{(i)})\in \mathbb{R}\times \{1,2,...,C\}$，这里$(x_0^{(i)},y_0^{(i)})$和$(x_1^{(i)},y_1^{(i)})$分别表示左上角和右下角坐标，$c^{(i)}$是该bbox中的物体的类别，$C$是类别数目。

对于来自特征$F_i$的某个位置$(x,y)$的像素来说，其映射回原图的位置大致位于其感受野的中心：$\left(\lfloor \frac{s}{2}\rfloor +xs,\lfloor \frac{s}{2}\rfloor +ys\right)$。Anchor Based方法，其将原图认为是Anchor Boxes的中心，并且基于这些Anchor Boxes去回归其对应的BBox。不同与此，FCOS将原图作为BBox的中心，直接去回归BBox。也就是说，FCOS将位置认为是训练样本，而不是将Anchor Box作为训练样本。

正负样本的划分规则也很简单：如果某个位置$(x,y)$落在了任意一个GT BBox中，则认为其为正例，并赋予其相应的类别$c^{\ast }$，否则设置为背景$c^{\ast }=0$。

除了类别向量外，FCOS还会有一个4D向量作为位置回归的目标：${\mathbf{t}}^{\ast }=(l^{\ast },t^{\ast },r^{\ast },b^{\ast })$，这几个值的含义为各个位置距离bbox左上右下边界的距离，参见下图left：

这里存在一个ambiguous sample的情况，例如对于上图右侧的点来说，其同时落在了两个BBox中，此时这个点就成为了ambiguous sample，其对应的BBox不太好确定。这里FCOS采用的策略是：简单将面积最小的BBox作为其回归的目标，并通过后续提及的使用FPN进行多层级预测的方式进行缓解。

具体而言，对于某个位置$(x,y)$，其与一个BBox $B_i$ 关联，那么训练的回归目标为：
$$\begin{array}{rl}{l}^{\ast }=x-x_0^{(i)},& t^{\ast }=y-y_0^{(i)},r^{\ast }=x_1^{(i)}-x,b^{\ast }=y_1^{(i)}-y\end{array}$$

由于回归的目标都是正整数，因此，对于模型的回归分支的输出，会额外使用一个$exp(x)$函数，将输出映射至$(0,\infty )$.

FCOS可以尽可能地利用上所有的前景sample，而Anchor Based方法只利用了和GT BBox重叠程度较高的那些Anchor Box作为正例，这可能是FCOS性能超过Anchor Based方法的原因之一。

• 损失函数

$$\begin{array}{rl}L\left(\left\{{\mathbf{p}}_{x,y}\right\},\left\{{\mathbf{t}}_{x,y}\right\}\right)& =\frac{1}{N_{\mathrm{pos}}}\sum _{x,y}{L}_{\mathrm{cls}}\left({\mathbf{p}}_{x,y},c_{x,y}^{\ast }\right)\\ & +\frac{\lambda }{N_{\text{pos }}}\sum _{x,y}{1}_{\left\{c_{x,y}^{\ast }>0\right\}}{L}_{\mathrm{reg}}\left({\mathbf{t}}_{x,y},{\mathbf{t}}_{x,y}^{\ast }\right),\end{array}$$

其中$L_{\mathrm{cls}}$和$L_{\mathrm{reg}}$分别是Focal Loss和IOU Loss。

• 推理

前传image，得到对应于特征$F_i$的分类分数图${\mathbf{p}}_{x,y}$ 以及回归预测结果${\mathbf{t}}_{x,y}$，设定阈值$p_{x,y}>0.05$作为正样本，并反用公式（1）计算其BBox。

4.2 重叠bbox=>FPN

本文通过实验发现，重叠问题可以在一定程度上被基于FPN的multi-level预测缓解。

和FPN一样，FCOS在不同尺度的特征图上检测不同尺度的目标，这里使用的特征和FPN一样，也是$\{P_3,P_4,P_5,P_6,P_7\}$，各自的stride依次为：8,16,32,64,128。

FCOS为每个尺度特征回顾目标设定了一个尺度上限$m_i$，也就说对于某个尺度特征$F_i$来说，如果某个位置满足$max(l^{\ast },t^{\ast },r^{\ast },b^{\ast })>m_i$或者$max(l^{\ast },t^{\ast },r^{\ast },b^{\ast })<m_{i-1}$，那么这个位置会被设定为negative sample，不去回归任何BBox。

在FCOS中，$\{m_2,m_3,m_4,m_5,m_6,m_7\}$依次设定为0,64,128,256,512以及$\infty$。

这样一来，由于不同尺度的物体被分配到了不同尺度的特征进行回归，因此，重叠的现象有所缓解。分层预测后，如果还是存在重叠，会采用面积最小的BBox作为回归目标。

不同尺度特征的head都是共享的，但是考虑到不同尺度特征复杂的bbox尺度的范围不一样，因此，这里引入了一个可学习因子$s_i$，用于调节不同尺度特征的输出：$exp(s_{i}x)$。

4.3 低质量预测框=>center-ness分支

在引入FPN后，FCOS由于低质量预测框（预测框的中心离GT BBox的距离较远）的存在，性能与基于Anchor的方法还存在着一定的GAP。

因此，本文引入了一个center-ness分支（只包含一层），用于预测各个像素的center-ness。

center-ness target的定义为：
$${\text{ centerness }}^{\ast }=\sqrt{\frac{\min \left(l^{\ast },r^{\ast }\right)}{\max \left(l^{\ast },r^{\ast }\right)}\times \frac{\min \left(t^{\ast },b^{\ast }\right)}{\max \left(t^{\ast },b^{\ast }\right)}}$$
当测试时，这个score会被用于对于预测框的分数进行调整，从而便于NMS去对这些框进行merge。

5. Evaluation

作者如何评估自己的方法？实验的setup是什么样的？感兴趣实验数据和结果有哪些？有没有问题或者可以借鉴的地方？

作者主要在COCO上进行的实验，在COCO trainval35k（115k图片）上进行训练，minival（5k图片）上进行验证，最终，报告在test_dev（20k图片）上的结果。

• 训练细节

Backbone	Opt	Iteration	Lr	BS	Steps (0.1)	weight_decay	momentum	Pretrained	InputSize
ResNet50	SGD	90k	0.01	16	60k,80k	0.0001	0.9	ImageNet	shorter size 800，longer size 1333

• 推理细节

后处理及参数与RetinaNet一致，输入尺度与训练一致。

6. Conclusion

作者给出了哪些结论？哪些是strong conclusions, 哪些又是weak的conclusions（即作者并没有通过实验提供evidence，只在discussion中提到；或实验的数据并没有给出充分的evidence）?

• FCOS也能提供一个较好的best possible Recall （BPR）

BPR定义为一个检测器可以Recall的GT BBox占总BBox的比例，一个GT BBox被Recall定义为该BBox至少被分配给一个sample。

结果见下表：

• 使用FPN进行multi-level预测可以极大地缓解ambiguous sample的数目

• center-ness分支可以大幅度提升性能

• FCOS可以超越基于Anchor的Counterpart

• 在相同backbone的情况下，FCOS可以超越最近的SOTA

• FCOS可以用于替换RPN

7. Notes

(optional) 不在以上列表中，但需要特别记录的笔记。

8. References

(optional) 列出相关性高的文献，以便之后可以继续track下去。