Anchor Free检测算法之FCOS
一.提出背景
2019 是 Anchor Free 大行其道的一年,从CornerNet 到 ExtremeNet,从FSAF到FCOS,层出不穷。
论文:FCOS: Fully Convolutional One-Stage Object Detection【paper】【github】
二.算法框架
FCOS框架比较简单,架构图参考:
基础backbone是一个3层的卷积网络(对应图中C3,C4,C5),Pyramid特征金字塔构建完成P3-P7(感觉到P6就够了),每个金字塔层对应一个预测头(Head)。
其中Head层分为3个预测分支,1个分类 + 1个位置回归 + 1个Center-ness(用于构建居中loss,后面展开)
二.Why FCOS?
看着架构图来看为什么要这么设计?
1)特征pyramid价值
不同尺度的目标,在不同的特征层下 特征保留的最好,将目标按照尺度划分到不同特征层进行回归,能够有效处理重叠目标(假设重叠目标的尺度不同)。
2)Anchor Free的价值
对于基于Anchor检测来讲,正样本按照尺寸和宽高比被划分到不同的Anchor,导致对于每一个Anchor,其分类和位置回归用到的训练样本都会大大减少。
Anchor Free解决的就是这个问题,基于中心点回归4条边的位置:
Loss定义为 分类Loss + 回归Loss:
3)Center-ness
“Center-ness”是指回归框距离中心的度量,公式很简单,l*,r* 差异越大,值越接近0,相等时=1:
通过 Center-ness Loss,将回归返回尽量约束在以当前点为中心的BBox上,这样做的好处是降低非Center Box的权重,有效抑制偏离中心的Box,
三.试验效果(进一步改进)
试验效果如下:
非常不错,超越YOLO v2和SSD、CornerNet,改进思路:
将回归位置归一化到【0,1】,添加多任务分支(比如分割),结合Anchor-Based方法 等。
Anchor Free检测算法之FCOS相关推荐
- 3D目标检测算法调研FCOS/FCOS3D/FCOS3D++算法介绍
一.综述 3D检测背景 二维目标检测算法能识别物体的类别.平面坐标以及边长,是计算机视觉中的一个基本问题.但是对于自动驾驶来说,二维信息还不足以让汽车充分感知三维立体的真实世界,当一辆智能汽车需要在道 ...
- 真正意义的Anchor-Free,FCOS目标检测算法了解一下
点击上方"AI搞事情"关注我们 2019年目标检测领域比较火的一个方向就是Anchor-Free,比如:CornerNet.ExtremeNet.CenterNet.FoveaBo ...
- 目标检测算法横向比较,包括backbone、特征融合、loss、proposal/anchor/heatmap、NMS、正负样本设置等
目标检测算法发展移步:目标检测算法 本文从算法改进的方向,进行横向比较,包括backbone,特征融合.loss.proposal/anchor/heatmap.NMS.正负样本设置等 Referen ...
- YOLOv1——YOLOX系列及FCOS目标检测算法详解
文章目录 一. 开山之作:YOLOv1 1.1. YOLOv1简介 1.2 YOLOv1 检测原理 1.3 YOLOv1网络结构 1.4 YOLOv1 损失函数 1.5 YOLOv1优缺点 二. YO ...
- 目标检测算法——anchor free
一.anchor free 概述 1.先要知道anchor 是什么(这需要先了解二阶段如faster rcnn,一阶检测器如YOLO V2以后或SSD等). 在过去,目标检测通常被建模为对候选框的分类 ...
- 地平线机器人提出Anchor free、NMS free的3D目标检测算法 | CVPR2020 Workshop
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 这是一篇由地平线机器人发表在CVPR2020 Workshop的文章,主要是将Anchor Free的 ...
- (20)目标检测算法之YOLOv5计算预选框、详解anchor计算
目标检测算法之YOLOv5计算预选框.详解anchor计算 单节段目标检测算法中:预选框的设定直接影响最终的检测精度 众所周知,yolov5中采用自适应调整预选框anchor的大小,但万事开头难,配置 ...
- 基于改进FCOS的钢带表面缺陷检测算法
本文转载自人工智能技术与咨询.新机器视觉 摘要 针对现有钢带表面缺陷检测所存在的检测效率低.适用范围有限等缺陷,提出一种基于改进FCOS的钢带表面缺陷检测算法.该算法使用含形变卷积的卷积神经网络提取缺 ...
- FCOS论文复现:通用物体检测算法
摘要:本案例代码是FCOS论文复现的体验案例,此模型为FCOS论文中所提出算法在ModelArts + PyTorch框架下的实现.本代码支持FCOS + ResNet-101在MS-COCO数据集上 ...
最新文章
- Python入门难吗?30年前的编程语言,为什么现在这么火?
- 解决intellij IEDA mapper.xml文件警告以及could not autowire的错误提示
- php将配置信息写入文件,Php写入配置文件的经典漏洞
- GitLab-怎样使用GitLab托管项目
- 计算机组成原理考试复习
- 软考(5)--软件工程
- 【读书笔记《Android游戏编程之从零开始》】6.Android 游戏开发常用的系统控件(TabHost、ListView)...
- JavaFX鼠标滚动放大缩小图片
- 使用Spring Security的多租户应用程序的无状态会话
- 4-3:TCP协议之UDP协议
- python队列及其实现
- uni app 录音结束监听_全新重构,uni-app实现微信端性能翻倍
- HDU 1596 find the safest road (最短路)
- vscode extensions
- J2EE6 servlet session超时机制
- SAN(存储区域网络),WWN, WWPN,WWNN区别
- 修正的判定/条件覆盖
- Spring Cloud GateWay-过滤器
- Mac下的平铺式桌面 - Yabai
- 快速将有文件的FAT32格式的U盘转NTFS格式(Windows)
热门文章
- OSChina 周四乱弹 —— 剁手过双十一
- 服务器可以指定一个网卡只和某个地址通信吗_彻底搞懂计算机网络通信设备与协议...
- 蚁视牵手联创互联,可持续拓展“第六媒体”新业态
- 下载安装纯净版火狐浏览器的步骤
- 人体行为姿势识别数据集WISDM实践
- Tomcat集成eclipse
- vue如何实现在页面上画画_Vue使用Canvas绘制图片、矩形、线条、文字,下载图片...
- CleanMyMac4.12.3最新版本Mac系统清理工具
- Scanner(System.in)中读取字符串容易犯的错误!
- ICMP网络控制报文简单分析