文章目錄
Fully Convolutional One-Stage Object Detection
論文：https://arxiv.org/abs/1904.01355
代碼： https://github.com/tianzhi0549/FCOS
行人檢測與通用目標檢測：
行人檢測就是更具體的目標檢測，只需要檢測出行人即可。與通用目標檢測相比，行人檢測有自己的差異化特徵。
行人檢測和通用目標檢測的區別，主要有兩點：(1). 檢測目標類別數不同; (2). 評測指標不同。第一點大家很容易理解，主要談談第二點。通用目標檢測的評測指標是[email protected]（越高越好），而行人檢測的評測指標是mMR (Log-average Miss Rate)（越低越好）。
mAP是對Precision和Recall做整體評估，即P-R曲線下的面積，在這個指標下的低分TP可以帶來Recall的提升，因此mAP指標也會提升，這也是RetinaNet[3]漲點的一方面，如果觀察其P-R曲線就可以發現很長的尾巴。
評估表的miss rate 是log-average miss rate。這個到底該怎麼算啊？
首先fppi（也叫miss rate）的理解應該是：測試的n幅Full Image 圖像下出現了多少個誤撿的窗口，假設是100幅中有1個誤撿窗口，即fppi爲0.01，那麼此時的100幅圖像中每一幅圖像都有自己的miss rate，然後對這些miss rate 求log平均，從而得到log-average miss rate.
若每幅圖像miss rate爲x。則log-average miss rate爲：
因此mAP高的模型不一定mMR低。以上就是兩個評測指標的區別，兩個各有優劣，適用場景不同，例如對於行人檢測來說，更重要的是減少FP，如果能減少高分FP將在指標上帶來很大的提升。
對於行人檢測來說，擁擠遮擋是一個很大的難題，將會導致大量的FP和FN的產生，如圖所示：
在擁擠場景，不同人會相互交疊，導致其特徵相互交叉以至於難以區分邊界，這個時候檢測器很可能會把多個人檢測成一個人或者檢測框會偏移。此外，目標檢測系統最後都會有NMS（非極大值抑制）做後處理，但是如果兩個人靠得很近，將很難確定NMS的閾值，太大則會導致誤檢多，太小導致漏檢多。上圖可以看到黃色虛線是被NMS誤殺導致的FN，紅色實線是特徵交叉導致的FP。
Anchor-base方式的缺點：
1,像SSD，RetinaNet，YOLO v2-YOLO v3需要人工設置多種Scale 的 Feature Map（類似FPN，特徵金字塔）, 以及Anchor長寬比。
2. 大量預定義生成的box（2K-100K or more），產生無用的Box負樣本增多，訓練不均衡
3. 大量box 產生IOU Loss，會有很多次計算量
4. ANchor-base 方式的大量超參數需要調試
一、論文創新點：
1.一種One-stage方法，提出Anchor-free 的Bounding box 檢測模式，避免了training中的IOU Loss計算，以及Anchor 檢測方式的各種超參數（如scale，長寬比等）
2.Bounding box後處理僅採用NMS方式，並無其他複雜計算
3. 如上圖，Box 迴歸採用物體位置中心點和中心點與四個邊的距離
4. 採用FCN-base +Center Ness減少冗餘 box數量，最後 NMS處理
二、實驗結果：
Backbone採用ResNet 101網絡，在CoCo數據集上獲得44.7%的Map值
三、細節部分：
實驗以逐像素預測的方式重新定義目標檢測。多級預測來提高召回率和解決由於重疊邊界框而產生的歧義。最後，使用Center-ness分支，它有助於抑制低質量檢測的邊界框，並大大提高了整體性能。
下圖C3-C5是特徵圖，P3到P7是用於最終預測的特徵級別,每個Head預測模塊包含 類別預測，中心點Center-Ness抑制冗餘box，加Local 位置迴歸
Loss 損失將Class類別預測和Reg 迴歸函數相加，
迴歸函數這裏的 t【, 中心點距離四邊的】, 由四個參數組成，先在FPN的每個map上得到大量中心點，判斷是否在Ground Truth的區域內，是C* 爲1，否爲0；
然後預測點與Ground Truth的四個邊計算t*， 然後與Ground Truth原有的t作比較。
中心點篩選函數
假設預測點偏離中心點很遠，max趨於大值。min趨於小值，則Center-ness越小。。。。。反之，Center-ness值越大說明這個預測中心點越接近真實中心點