作者 | ronghuaiyang

来源 | AI公园

导读：这是众多Anchor Free中比较有影响力的一篇文章，不光是效果好，而且思路清楚，简单，不需要任何trick，并将众多的视觉任务统一到了一个框架中，值得一看。

介绍

基于anchor的物体检测器的缺点，这个基本上每篇anchor free的文章都会列一遍。

1. 检测性能依赖于anchor的尺寸，比例，数量，这些都需要非常精细的设计。

2. 一旦anchor设计好了，尺寸，比例就固定了，在物体的尺寸和比例多样性非常大的时候会有困难，特别是小物体。预设的anchor的泛化能力也有限，对于新的任务，需要重新去设计anchor。

3. 为了有高recall，需要设计非常密集的anchor，FPN中的anchor数量就超过了160k，而且大部分都是负样本，正负样本非常的不均衡。

4. 在计算的时候需要计算IOU，非常的复杂。

现在的各种计算机视觉的任务，比如分割，深度预测，关键点加测，计数等等，都是全卷积的结构，就物体检测是个例外。那么，很自然的就有了一个问题：我们能不能把物体检测也变成类似分割那样的逐像素的预测问题呢？这样的话，这些视觉相关的任务就都统一成了一个架构了，所以说，这篇文章就是干了这么个事情。

之前也有过类似的尝试，直接再feature map的每个空间位置上回归出一个4D Vector，外加一个类别，不过这些方法在文本检测中用的较多，因为当物体间的包围框重叠比较多的时候，某一个点就不知道去回归哪一个了。如图1：

图1：左边是FCOS预测的4个向量，右边是当特征图的某个位置同时位于两个物体内部的时候，这个位置就不知道去回归哪个物体了。

我们仔细的研究了这个问题，发现使用全卷积的方案是可以很大程度上解决的，后面我们具体去看。我们的新框架的优点如下：

• 将物体检测和其他视觉任务的框架进行了统一

• 检测不需要建议区域，也不需要anchor了。

• 由于不需要anchor了，所以也没有了IOU之类的复杂计算了，训练更快了，所需要的的内存也更少了。

• 我们得到了STOA的结果，而且FCOS也可以用到二阶段的检测方案中，而且效果比基于anchor的方案更好。我们觉得可以重新考虑下anchor在物体检测中的必要性。

• 可以非常方便的将检测框架扩展到分割，关键点检测等其他视觉任务上。

方法

全卷积一阶段物体检测

我们把第i层的特征图记做Fi，它相对于输入图像的stride为s，输入图像的groundtruth bbox记为{Bi}，Bi=(x0,y0,x1,y1,c)，其中(x0,y0)和(x1,y1)分别为左上角和右下角的坐标，c为物体的类别。对于Fi的每个位置(x,y)，我们可以映射会输入图像中，映射成一个范围(s/2+xs, s/2+ys)，对于基于anchor的物体检测方法，我们把这个位置作为anchor box的中心点，然后去回归目标box相对于这些anchor box的偏差。而我们这里直接在这个位置上回归目标box，换句话说，我们在训练中是把这些位置当成是样本，而不是anchor box，这个和分割是一样。

如果位置(x,y)落入到某个groundtruth box中，而且类别也和groundtruth box的类别一样，那它就是正样本，否则就是负样本，而且c=0（背景）。除了类别标签之外，我们在这个位置上还会回归一个4D的向量，t=(l,t,r,b)，其中，l，t，r，b分别是这个位置点到bbox的4个边的距离，如图1（左）所示。如果这个位置同时落入到好几个bbox中，那这种就认为是模糊样本。我们简单的选择一个面积最小的bbox作为它回归的目标。下面，我们会展示一个多level的预测方法，这种模糊样本的数量会大大的减少，这样几乎不会影响检测的性能。这样，如果位置(x,y)和一个bbox Bi相关联起来，那么在训练的时候，我们的回归目标可以这样来表示：

这里值得注意的是，FCOS可以利用任意多的前景样本来训练这个回归，而基于anchor的方法只选取哪些和groundtruth box的IOU大于一定阈值的anchor作为正样本进行训练。我们认为这也许是FCOS效果比anchor based的模型好的原因之一。

网络的输出 对于coco的数据集，有80个类，我们需要输出一个80维的分类向量和一个4维的t=(l,t,r,b)，分类的时候，我们没有用多分类的方法，而是训练了C个二分类器，参考了RetinaNet，我们主干feature map后面对于分类和回归分别加了4个卷积层，作为两个不同分支。由于回归的目标值永远是正的，我们用exp(x)将输出映射到(0, ∞)。值得注意的是，FCOS的输出要比基于anchor的方法（使用9个anchor）小了9倍。

损失函数 定义如下：

其中Lcls是focal loss，Lreg是UnitBox中使用的IOU loss，Npos表示正样本的数量，λ用来做loss之间的平衡，文中用的值是1。

推理 推理的时候很直接，我们可以每个位置的类别预测pxy和每个位置的回归预测txy，我们选择p>0.05的作为正样本，将其回归值转化为bbox的预测。

使用FPN进行多level的预测

这里我们解决了FCOS的两个问题：

• 在最后的特征图中，大的stride，比如16，对于anchor based检测器，这样会导致较低的best possible recall（BPR），但是对于FCOS，大的stride不会降低BPR，而且，使用了multi-level FPN来预测的话，还可以进一步提升BPR。

• 重叠的物体会导致模糊匹配，这也可以通过multi-level FPN来很好的解决。

我们用FPN在不同的level上检测不同尺寸的物体，具体结构如图2，

和基于anchor的方法通过在不同的level上设置不同尺寸的anchor的方式，将不同尺寸的物体分配到不同level的特征图上去检测。我们这里更加直接一点，直接对每个level限制物体尺寸的范围。具体来说，我们首先在每个位置上都计算出目标的l，t，r，b，如果max(l，t，r，b) > mi，或者max(l, t, r, b) < mi-1的话，就将这个位置设置为负样本。这里mi是在第i个level上需要去回归的最大距离。这里，我们将m2,m3,m4,m5,m6,m7设置为0,64,128,256,512和∞。这样一来，不同尺寸的物体就被分配到了不同的level的特征图上去进行检测了，由于大部分overlap的都是不一样的尺寸，所以不会出现模糊匹配的问题。如果还是有某个位置匹配到多个groundtruth的情况，那么我们就匹配面积最小的那个。

最后，我们对于不同level的特征图，共享同一个检测头，如图2，但是，由于不同的level回归的是不同的尺寸，共享同一个检测头貌似不是很合理，所以我们又做了点修改，将exp(x)修改为exp(six)，加入了一个可训练的尺度参数si，自动的调整exp的输出大小，这个改动对检测性能有小的提升。

FCOS的Center-ness

我们发现，在训练的时候，会出现大量的距离物体中心点很远的低质量的预测框。这会降低模型的性能。我们用了一个简单有效的方法来抑制这种低质量的预测框。我们加了一个分支来预测位置的center-ness，这个center-ness描述了负责检测这个物体的位置到这个物体的中心的归一化的距离，计算方式如下：

用sqrt来减慢center-ness的衰减，center-ness的范围是0~1，用二分类交叉熵来训练。测试的时候，通过它乘上类别得分来对检测出的bbox进行排序，这样，远离中心的那些预测框的分数会减小，这样做nms的时候，就可以去过滤掉这些检测框，显著提升检测性能。

还有种center-ness的替代方案，就是只使用中心区域作为groundtruth，但是这样需要一个超参数，将这两种方式结合起来，可以得到更好的结果。

实验

消融实验

• 使用FPN进行Multi-level的预测

对于BRP的效果：

对模糊样本的影响：

• 是否使用Center-ness

使用了Center-ness前后的效果：

anchor base的检测器RetinaNet使用了2个阈值来进行正负样本的选择，如果同时使用center-ness和阈值的话，还能提升性能，下面给出了一些额外的优化方法及其效果：

• 和anchor based的检测器的比较

和RetinaNet的比较见上面的图3。

和其他的检测器的比较

扩展到RPN上

用FCOS来代替FPN中的RPN网络的效果：

更多精彩推荐

• 自拍卡通化，拯救动画师，StyleGAN再次玩出新花样

• 秋天的第一杯奶茶该买哪家？Python 爬取美团网红奶茶店告诉你

• Azure Arc 正式商用、Power Platform+GitHub 世纪牵手，一文看懂 Ignite 2020

• 起底 ARM：留给中国队的时间不多了