1.本文资源

论文链接：https://arxiv.org/pdf/1904.01355.pdf
开源代码链接：https://github.com/tianzhi0549/FCOS
建议参考论文阅读本博客，论文主要内容在第5部分体现

2.动机

anchor-base缺点

1. 用anchor的框架对于anchor的尺寸非常敏感，anchor的尺寸会影响检测的performance。
2. anchor尺寸的固定导致了对网络对特殊形状的物体鲁棒性较差，如果物体的尺寸变化很大，就会导致模型的泛化能力差。
3. 为了获得高的recall，要非常密集的堆放anchors，通常大多数的anchor都是负样本，导致了正负样本不均衡等问题。
4. 大量的anchor增加了计算和显存消耗（尤其是每个anchor都要计算IOU）。

于是作者就有了想法能不能不使用anchor-base方法，而采取一种全新的anchor-free方式来进行目标检测呢？

3.主要贡献

1. 将检测与其他全卷积网络可解决的任务统一起来（例如语义分割），可轻松重复的使用这些任务中的方法。
2. 将检测变成一个anchor-free的任务，这将极大地设计参数的数量，减少了这部分各种未知的trick，并且避免了复杂的IOU计算与训练期间的anchor boxes 和 ground-truth boxes匹配，显存也减少了2倍左右
3. 取得了的state-of-the-art的结果并且FCOS可以被用作RPN，建议社区重新考虑下在目标检测方面anchor-based的必要性。
4. 该方法在简单的改变后也可被用到其他的视觉任务中，如实例分割和关键点检测。

4.网络架构

1.FCOS的网络架构，其中C3、C4、C5表示backbone的feature map。
2.P3到P7为head部分最终预测所用的特征层。
3.hw是特征图的高度和宽度。
4./s (s = 8;16;:::;(128)为特征映射层与输入图像的下采样比。
例如，所有数字都是使用800 *1024输入计算的。 /16 则代表16倍下采样，特征图尺寸会除以16.
5.对于输出部分H × W的特征图，每一个像素点需要输出类别打分、中心打分、回归坐标，他们的维度分别为C、1、4.

大家应该也都注意到了，feature pyramid结构部分并不是标准的FPN结构，P6和P7层似乎有些多余，所以实验部分和Retinanet做对比，证明FCOS输出部分网络设计的优势，只有一点点提升。

5.文章核心工作与思想

在本节中，我们首先以逐像素预测的方式重新定义目标检测。接下来，我们展示了如何利用多级预测来提高召回率，并解决训练中由于边界框重叠而产生的歧义。最后，我们提出了我们的center-ness 分支，它有助于抑制低质量的检测边界框，并大大提高了整体性能。

5.1 Fully Convolutional One-Stage Object Detector

$F_i\in {\mathbb{R}}^{H\times W\times C}$，为backbone的feature map, i代表了下采样的倍数。

$B_i=\left(x_0^{(i)},y_0^{(i)},x_1^{(i)}{y}_1^{(i)},c^{(i)}\right)$,为真实标注。

$\left(x_0^{(i)},y_0^{(i)}\right)$，为左上的点。$\left(x_1^{(i)}{y}_1^{(i)}\right)$，为右下的点。c代表类别。

Fi上的每一个点(x,y)都可以通过如下公式映射到输入的图像上:
$$\left(\lfloor \frac{s}{2}\rfloor +xs,\lfloor \frac{s}{2}\rfloor +ys\right)$$
映射后的位置，我们也认为接近感受野 的(x,y)

与基于锚点的检测器不同，基于锚点的检测器将输入图像上的位置作为锚点盒的中心，并对这些锚点盒的目标边界盒进行归一化处理，我们直接对每个位置的目标边界盒进行归一化处理。也就是说，我们的检测器直接将位置看作训练样本，而不是在基于anchor 的检测器中将anchor boxes看作训练样本，这与FCNs(全卷积网络)中的语义分割方法是一样的。
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。

如果位置（x,y）落入任何ground-truth边界框中，则被认为是正样本,该位置的类别标签c就是Bi的类别标签，否则就是负样本，类别标签c=0(背景类别)，同时会得到一个四维向量。
$${\mathbf{t}}^{\ast }=\left(l^{\ast },t^{\ast },r^{\ast },b^{\ast }\right)$$
是由下计算而来
$$\begin{array}{rl}{l}^{\ast }& =x-x_0^{(i)},t^{\ast }=y-y_0^{(i)}\\ r^{\ast }& =x_1^{(i)}-x,b^{\ast }=y_1^{(i)}-y\end{array}$$

1.四个值分别表示从位置到边界框四边的距离。如果一个位置落在多个b边界框中，它被认为是一个模糊的样本。现在，我们简单地选择面积最小的边界框作为其回归目标,面积大的那些我们就舍弃掉了。在下一节中，我们将展示使用多级预测，可以显著减少模糊样本的数量。
2.值得注意的是，FCOS可以利用尽可能多的前景样本来训练回归器。与基于锚点的检测器不同，基于anchor的检测器只考虑与地面真实值的anchor boxes具有足够高的IOU的anchor boxes作为正样本。我们认为这可能是FCOS优于基于anchor的同类产品的原因之一。

5.1.1 Network Outputs

对应于训练目标，我们的网络的最后一层预测分类标签的80D向量p和4D向量t=(l,t,r,b)边界框坐标，之后，我们不再训练多类分类器，而是训练C个二分类器。我们在主干网络的特征图之后分别添加了4个卷积层，用于分类和回归分支。此外，由于回归目标总是正的，本文应用exp(x)在回归分支的顶部将任意实数映射到(0,OO)，值得注意的是，FCOS相比基于anchor-based的方法减少了9倍的网络输出。

5.1.2 Loss Function

定义如下
L ( { p x , y } , { t x , y } ) = 1 N p o s ∑ x , y L c l s ( p x , y , c x , y ∗ ) + λ N p o s ∑ x , y 1 { c x , y ∗ > 0 } L r e g ( t x , y , t x , y ∗ ) \begin{aligned}L\left(\left\{\boldsymbol{p}_{x, y}\right\},\left\{\boldsymbol{t}_{x, y}\right\}\right) &=\frac{1}{N_{\mathrm{pos}}} \sum_{x, y} L_{\mathrm{cls}}\left(\boldsymbol{p}_{x, y}, c_{x, y}^{*}\right) \\&+\frac{\lambda}{N_{\mathrm{pos}}} \sum_{x, y} \mathbb{1}_{\left\{c_{x, y}^{*}>0\right\}} L_{\mathrm{reg}}\left(\boldsymbol{t}_{x, y}, \boldsymbol{t}_{x, y}^{*}\right)\end{aligned} L({px,y​},{tx,y​})​=Npos​1​x,y∑​Lcls​(px,y​,cx,y∗​)+Npos​λ​x,y∑​1{cx,y∗​>0}​Lreg​(tx,y​,tx,y∗​)​

Lcls = focal loss,Lreg = iou loss,Npos为正样本数，拉姆达=1在本文中，是Lreg的平衡权重,对特征图上的所有位置进行求和是指标函数。
其中 1 { c x , y ∗ > 0 } \mathbb{1}_{\left\{c_{x, y}^{*}>0\right\}} 1{cx,y∗​>0}​当ci大于0时为1,否则为0。
p(x,y)表示在位置(x,y)处的分类概率，t(x,y)表示在(x,y)处的回归坐标。

5.1.3 Inference

FCOS的推断很简单，给出一个输入图像，通过网络前向传播得到特征图Fi上每一个位置（x,y）的 分类概率P(x,y) ，回归预测坐标 t (x,y) 。之后，选取P(x,y) > 0.05作为正样本，用前述l、t、r、b公式得到预测的边界框。

5.2. Multilevel Prediction with FPN for FCOS

目的:

• 提升best possible recall (BPR),提升召回率。
• ground-truth框中的重叠会在训练过程中造成难以处理的歧义，在重叠区域内的哪个边界框应该回归?这种模糊性导致基于fcn的检测器性能下降。结果表明，采用多层次预测方法可以有效地解决模糊问题。

与FPN相似，本文在不同层次的feature map上进行不同尺寸的目标检测。具体来说，我们使用了定义为的五个层次的特征映射{P3; P4; P5; P6; P7.}
P3,P4,P5由backbone 的C3，C4,C5后接1x1的卷积得到。 P6,P7在分别在P5,P6上设置stride 为2并增加卷积层得到。最终，P3,P4,P5,P6,P7的stride分别为8,16,32,64,128
不同于基于anchor的检测器，在不同层的feature map上应用不同尺寸的anchor，本文直接限制边界框回归的范围。
1.首先计算出所有层上每个位置对应的回归目标，l*,t*,r*,b*
2.若一个位置满足下列两个条件max(l*,t*,r*,b*)>mi或者max(l*,t*,r*,b*)<mi-1则将其认定为负样本,因此不再需要返回一个边界框.
3.mi代表feature level i需要回归的最大距离。本文，m2,m3,m4,m5,m6,m7分别设置为0，64，128，256，512及无穷。
4.因为不同大小的对象被分配到不同的feature level ，并且大部分重叠发生在大小相当不同的对象之间，多层预测在很大程度上缓解了上述的模糊性，将基于fcn的检测器提高到与基于anchor的检测器相同的水平。

最后，在不同的特征层之间共享头部，不仅使检测器的参数效率更高，而且提高了检测性能。
然而，我们观察到不同的特征级别需要回归不同的大小范围（P3 [0; 64] P4 [64; 128] ）
因此，对不同的特征层使用相同的头部是不合理的。
因此，不使用标准exp(x),我们使用exp（Si x）用可训练的标量Si对于特征层Pi自动调整指数函数的基数,实验表明提高了检测性能。
不满足每层目标回归尺寸的目标不会被回归，因此可以有效地减轻重叠目标带来的二义性（作者假设重叠目标大小差异较大）

5.3. Centerness for FCOS

如上热力图，红色、蓝色和其他颜色分别表示1,0和它们之间的值。Center-ness由公式计算。当位置偏离物体中心时，从1衰减到0。测试时，将网络预测的center-ness与分类分数相乘，这样就可以降低远离物体中心位置预测的低质量边界框的权重。

$$\text{ centerness* }=\sqrt{\frac{\min \left(l^{\ast },r^{\ast }\right)}{\max \left(l^{\ast },r^{\ast }\right)}\times \frac{\min \left(t^{\ast },b^{\ast }\right)}{\max \left(t^{\ast },b^{\ast }\right)}}$$

1.测试时，将预测的 center-ness 和对应的分类得分相乘，得到最终的得分，再用这个得分对检测边框进行排名。这样，这个 center-ness 就可以降低那些远离物体中心边框的得分。在最后的 NMS 过程中，这些低质量的边框就会很大概率上被剔除，提升检测效果。
2.基于锚点的检测器使用两个IOU阈值Tlow和Thigh将锚点盒标记为负、忽略和正样本，从anchor的角度可以将centerness看作一个软阈值。它是在模型训练中学习的，不需要手动调整.

6.实验结果

6.1 centen-ness结果影响

6.2和已有方法对比

7.FCOS算法和基于anchors的检测算法不同

对于基于anchors的目标检测算法而言，我们将输入的图片送入backbone网络之后，会获得最终的feature_map，比如说是17x17x256；然后我们会在该feature_map上的每一位置上使用预先定义好的anchors。而FCOS的改动点就在这里，它是直接在feature_map上的每一点进行回归操作。具体的实施思路如下所示：

• 将feature_map中的每一个点(x,y)映射回原始的输入图片中；
• 如果映射原图的点在ground-truth边界框范围之内，正样本, c就是Bi的类别标签，否则负样本，类别标签c=0（背景）
• 回归的目标是(l,t,r,b)，即中心点做BBox的left、top、right和bottom之间的距离
• 由于FCOS可以通过这样方式获得很多正样本块，然后使用这样正样本块进行回归操作，因此获得了比较好的性能提升，而原始的基于anchor的算法需要通过计算预设的anchor和对应的GT之间的IOU值，当该IOU值大于设定的阈值时才将其看做正样本。

8.补充

具体的实验部分请阅读论文第4部分。