目标检测之FCOS算法分析
网络结构
(图片来自原论文:FCOS: Fully Convolutional One-Stage Object Detection)
在ResNet50 Backbone中,C3,C4,C5C3,C4,C5C3,C4,C5是卷积特征图;
在FPN结构中,P3,P4,P5,P6,P7P3,P4,P5,P6,P7P3,P4,P5,P6,P7是最后用于预测的特征图;
在预测阶段,P3,P4,P5,P6,P7P3,P4,P5,P6,P7P3,P4,P5,P6,P7共享一个Head
;
Head
有三个分支,分别用于预测分类(80类别)、回归预测中心点到真实框的上高t
,下高b
,左宽l
,右宽r
、Center-ness;
重要点
从Anchor到Anchor Free
Anchor
方面
- Anchor框的大小固定,对于具有形态大小变化的目标难以检测,可扩展性差。
- Anchor框的大小对检测精度的影响较大。
- 正负样本的Anchor比例不均,即无目标与有目标的比例,且训练繁杂。
Anchor Free
方面
xmin=cx−l∗symin=cy−t∗sxmax=cx+r∗symax=cy+b∗sx_{min}=c_x-l*s\\y_{min}=c_y-t*s\\x_{max}=c_x+r*s\\y_{max}=c_y+b*sxmin=cx−l∗symin=cy−t∗sxmax=cx+r∗symax=cy+b∗s
其中(xmin,ymin)(x_{min},y_{min})(xmin,ymin)为预测框左上角坐标,(xmax,ymax)(x_{max},y_{max})(xmax,ymax)为预测框右下角坐标;
Centerness=min(l∗,r∗)max(l∗,r∗)∗min(t∗,b∗)max(t∗,b∗)Center ness=\sqrt{\frac{min(l^*,r^*)}{max(l^*,r^*)}*\frac{min(t^*,b^*)}{max(t^*,b^*)}}Centerness=max(l∗,r∗)min(l∗,r∗)∗max(t∗,b∗)min(t∗,b∗)
Center ness用于衡量预测中心与真实框中心的距离,越接近于真实框的中心点,该值越接近于数值1.
正负样本框匹配
在YOLO系列使用anchor与真实框的IOU值与阈值比较,判断是否作为正样本。而在FCOS中,使用anchor free方式,即不存在anchor框。
采取的另一种方式为:只要预测中心坐标在真实框的内部,那么这些预测中心点都作为正样本,其他作为负样本。
当然,为了追求更好的效果,将范围进一步缩小,若预测中心点落在(cx−r∗s,cy−r∗s,cx+r∗s,cy+r∗s)(c_x-r*s,c_y-r*s,c_x+r*s,c_y+r*s)(cx−r∗s,cy−r∗s,cx+r∗s,cy+r∗s)范围内,则作为正样本,其中r
为超参数,s
为特征图相对于原图的缩放比例。
存在一种特殊情况,若预测的中心点落在两个真实框的范围内,则默认将该预测中心点分配给面积最小的真实框。
损失函数
L({px,y},{tx,y},{sx,y})=1Npos∑x,yLcls(px,y,cx,y∗)+1Npos∑x,y1{cx,y∗>0}Lreg(tx,y,tx,y∗)+1Npos∑x,y1{cx,y∗>0}Lctrness(sx,y,sx,y∗)L(\{p_{x,y}\},\{t_{x,y}\},\{s_{x,y}\})=\frac{1}{N_{pos}}\sum_{x,y}^{}L_{cls}(p_{x,y},c_{x,y}^*)\\+\frac{1}{N_{pos}}\sum_{x,y}^{}1_{\{c_{x,y}^*>0\}L_{reg}(t_{x,y},t_{x,y}^*)}\\+\frac{1}{N_{pos}}\sum_{x,y}^{}1_{\{c_{x,y}^*>0\}L_{ctrness}(s_{x,y},s_{x,y}^*) }L({px,y},{tx,y},{sx,y})=Npos1x,y∑Lcls(px,y,cx,y∗)+Npos1x,y∑1{cx,y∗>0}Lreg(tx,y,tx,y∗)+Npos1x,y∑1{cx,y∗>0}Lctrness(sx,y,sx,y∗)
第一行为分类损失;
第二行为边界框损失;
第三行为"置信度"损失;
NposN_{pos}Npos为匹配的正样本数目;
px,yp_{x,y}px,y表示在特征图(x,y)处预测的每个类别的分数;
cx,y∗c_{x,y}^*cx,y∗表示在特征图(x,y)处对应的真实类别标签;
1{cx,y∗>0}1_{\{c_{x,y}^*>0\}}1{cx,y∗>0}表示在特征图(x,y)处正样本为1,负样本为0;
tx,y,tx,y∗t_{x,y},t_{x,y}^*tx,y,tx,y∗分别表示在特征图(x,y)处预测的边界框位置与真实框的位置信息;
sx,y,sx,y∗s_{x,y},s_{x,y}^*sx,y,sx,y∗分别表示在特征图(x,y)处预测的center-ness与真实的center-ness;
目标检测之FCOS算法分析相关推荐
- 全卷积目标检测:FCOS
全卷积目标检测:FCOS FCOS: Fully Convolutional One-Stage Object Detection 原文链接:https://arxiv.org/abs/1904.01 ...
- (论文阅读)目标检测之FCOS
FCOS 一.FCOS简介 1.1.论文基本信息 1.2.内容概要 二.详细解读 2.1.摘要 2.2.问题提出 2.3.改进方法 2.4.网络结构 2.5.优点 2.6.论文结果 一.FCOS简介 ...
- 【论文简述】目标检测:FCOS(2019)
B站简介视频:https://www.bilibili.com/video/BV16V411m73M?spm_id_from=333.337.search-card.all.click FOCS:借用 ...
- CVPR目标检测与实例分割算法解析:FCOS(2019),Mask R-CNN(2019),PolarMask(2020)
CVPR目标检测与实例分割算法解析:FCOS(2019),Mask R-CNN(2019),PolarMask(2020) 目标检测:FCOS(CVPR 2019) 目标检测算法FCOS(FCOS: ...
- 3目标检测的准确率_吊打YOLOv3!普林斯顿大学提出:CornerNetLite,基于关键点的实时且精度高的目标检测算法,已开源!...
点击上方"CVer",选择"星标"和"置顶" 重磅干货,第一时间送达 前戏 最近目标检测方向,出了很多很棒的paper,CVer也立即跟进报 ...
- onestage方法_FCOS : 找到诀窍了,anchor-free的one-stage目标检测算法也可以很准 | ICCV 2019...
论文提出anchor-free和proposal-free的one-stage的目标检测算法FCOS,不再需要anchor相关的的超参数,在目前流行的逐像素(per-pixel)预测方法上进行目标检测 ...
- 从基础综述、论文笔记到工程经验、训练技巧:值得一看的目标检测好文推荐...
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文授权转自知乎作者跑者小越,https://zhuanlan.z ...
- 论文阅读笔记 | 目标检测算法——SAPD算法
如有错误,恳请指出. 文章目录 1. Introduction 2. Soft Anchor-Point Detector 2.1 Detection Formulation with Anchor ...
- Anchor-free目标检测综述 -- Dense Prediction篇
早期目标检测研究以anchor-based为主,设定初始anchor,预测anchor的修正值,分为two-stage目标检测与one-stage目标检测,分别以Faster R-CNN和SSD作 ...
- 论文阅读笔记 | 目标检测算法——FSAF算法
如有错误,恳请指出 文章目录 1. Introduction 2. FSAF Module 2.1 Network Architecture 2.2 Ground-truth and Loss 2.2 ...
最新文章
- 基于曲率的体素聚类的三维激光雷达点云实时鲁棒分割方法
- ImportError: No localization support for language ‘eng’ in python
- 关于指针的一点小的理解
- 【Linux】一步一步学Linux——cp命令(31)
- Docker学习总结(24)——在Docker中监视Java应用程序的5种方法
- php常用技术与thinkphp5,thinkPHP5框架路由常用知识点汇总
- 090525 T 站点地图接口
- 如何禁止特定用户使用sqlplus或PL/SQL Developer等工具登陆?
- 云桌面优缺点_云桌面的缺点分析
- java 解析csv_使用Java Scanner类解析CSV文件
- arduino uno连接超声波传感器测距
- Ardupilot移植经验分享(1)
- html文本框监听粘贴,HTML5将粘贴板上的图片粘贴到文本框中
- ParaView绘制自由水面的等值线图
- 园区网的网关部署在接入层还是汇聚层 面试官与求职者之间谈话
- WSL无法打开或者卡死
- 3Dmax调整材质的纹理方向有哪些步骤
- 粒子的散射模拟matlab程序,基于Matlab的α粒子的散射实验模拟.pdf
- Linux内核的misc框架
- 基金训练营学习笔记6-基金定投