本文是對FCOS的小修小改，最終性能達到了50.4AP，可謂相當強勁了，大家在工程上可以參考其中的改進以及提升方法
來源：曉飛的算法工程筆記 公衆號
論文: FCOS: A Simple and Strong Anchor-freeObject Detector
Introduction
論文由FCOS原團隊重新修改後發表，作者管這篇爲FCOS的擴展版本而不是FCOSv2，但爲了好分辨，我們就管他叫FCOSv2吧。FCOSv2的整體思想基本與FCOS一致，但性能出色很多。對比FCOS，基礎主幹ResNet-101-FPN上的性能從41.5AP提升了43.2AP，而最高版本的性能則是達到了50.4AP。
本文主要探討FCOSv2其中的一些改進與提升方法，具體的其它實現可參考之前的FCOS文章。
FCOSv2
FCOS
FCOSv2在思想上與FCOS基本一致，在特徵圖的每個位置預測目標的類別、尺寸信息以及Center-ness，Center-ness用來表示當前位置與目標中心點的距離，目標的最終分數由分類分數和Center-ness分數結合所得。尺寸信息跟以往的bbox迴歸方法不同，預測的是特徵位置到目標的四個邊界的距離。
圖2爲FCOSv2中的主幹網絡結構，主幹網絡依然採用FPN，每層特徵使用共同的head預測類別信息、尺寸信息以及Center-ness，具體的可以看看之前的文章。
Change
下面列舉了一些FCOSv2相對於FCOS的修改，由於論文沒有與原版進行對比，所以不知道各部分帶來的收益具體是多少：
- 正樣本點指定的修改，FCOS要求該特徵點位於目標內部，以及該特徵點到目標邊界的距離滿足所處的FPN層的約束，而FCOSv2則要求特徵點位於目標的中心區域$(c_x-rs, c_y-rs, c_x + rs, c_y+rs)$，$s$爲當前層的stride，$r=1.5$爲超參數。
- 迴歸目標修改，FCOS的迴歸目標直接是特徵點到目標邊界的距離，由於Head是共用的，所以在預測時爲每個level預設一個可學習的scale因子，而FCOSv2則加入stride，變得更適應FPN的尺寸，可學習的scale因子依然使用。
- center-ness預測的位置，FCOS的center-ness預測與分類預測放到了一起，而FCOSv2則將其與迴歸預測放到了一起。
- 迴歸損失函數修改，FCOS使用IoU損失進行迴歸的學習，而FCOSv2則採用了GIoU損失進行迴歸的學習。
- 最終分數的計算，FCOS採用分類分數以及center-ness之積，FCOSv2則採用分類分數以及center-ness之積的平方根：
Improvement
爲了獲得更好的性能，除了更換更強的主幹網絡外，論文還將FCOSv2進行了如下擴展：
- 使用BiFPN代替普通FPN，注意沒有采用深度分離卷積，這部分能帶來約2AP提升。
- 測試階段的數據增強，將圖片依次縮放至$[400,1200]$，每次步長爲100，每個尺寸使用原圖以及垂直翻轉圖片進行推理，這部分能帶來約2.5AP提升。
- 增加可變形卷積，分別替換主幹網絡的第三和第四階段的卷積，以及Head的兩個分支的前四個卷積，這部分帶來約1.5AP提升。
Experiment
與SOTA方法對比。
推理性能對比。
Conclusion
本文是對FCOS的小修小改，最終性能達到了50.4AP，可謂相當強勁了，大家在工程上可以參考其中的改進以及提升方法。
如果本文對你有幫助，麻煩點個贊或在看唄～
更多內容請關注 微信公衆號【曉飛的算法工程筆記】
