目标检测: 一文读懂 FCOS (CVPR 2019)

论文：Fully Convolutional One-Stage Object Detection

论文链接：https://arxiv.org/pdf/1904.01355.pdf

代码链接：https://github.com/tianzhi0549/FCOS

FCOS 是 anchor-free 的目标检测经典算法，今天我们就一起来分析这个算法。现在主流的目标检测网络如 RetinaNet, SSD, YOLOv3 和 Faster R-CNN 都是基于anchor-based，即先在特征图上生成 anchor box，随后调整这些anchor box 的位置和尺寸生成最后的预测值。而本文提出单阶段的 anchor-free 目标检测算法，无需事先生成 anchor，下面开始今天的正题！

1 为什么要提出 FCOS ？

之前目标检测算法有如下不足：

• 检测性能对 anchor boxes的数量和宽高比(aspect ratio)敏感；
• 由于anchor boxes 的宽高比是固定的，难以处理尺度差异大的目标，尤其是小目标检测困难；
• 为了提高recall，anchor-based detector需要在输入图片上设置密集的anchor boxes，其中大部的anchor boxes是负样本，造成正负样本不平衡问题；
• anchor boxes涉及例如IOU的大量计算；
• 一些FCN-based 检测框架如 DenseBox使用图像金字塔，对图片进行裁剪和缩放，以处理不同尺度的bbox，违背了FCN一次计算的原则。

FCOS 做了如下改进：

• 提出anchor-free的目标检测框架，避免了上述anchor-based方法带来的问题；
• 为了处理不同尺度大小的bbox，提出使用 FPN 网络进行图像的一次计算；
• 提出使用center-bess分支，来弥补预测像素点与对应bbox中心的误差。

2 FCOS 网络框架

FCOS采用类似语义分割方法的预测，主体网络框架如下：

• 输入端 — 输入端表示输入的图片。该网络的输入图像大小为 $W$ 和 $H$ 。
• 基准网络 — 基准网络用来提取图片特征。论文使用FPN网络，对每个像素点进行多尺度预测。
• Head输出端 — Head用来完成目标检测结果的输出。输出head有5个，这5个head是共享权重的，每个head有三个分支，分别为：目标类别classification(H×W×C)，中心度centerness(H×W×1)，和目标尺寸 Regerssion(H×W×4)。

3 FCOS 实现细节

3.1 如何预测目标bbox？

以下图左边人物目标为例，其bbox区域内所有黄色像素位置的类别都为person。bbox区域内的对应的特征图上每个像素点都有其对应的回归目标$(l^{\ast },r^{\ast },t^{\ast },b^{\ast })$，对于某个像素的坐标$(x,y)$：
$$\begin{gathered} l^{\ast }=x-x_0^{(i)},t^{\ast }=y-y_0^{(i)} \\ {r}^{\ast }=x_1^{(i)}-x,b^{\ast }=y_1^{(i)}-y \end{gathered}$$
上述回归目标为正数，所以网络输出时还需要进行指数运算，最后预测的bbox为($x$ , $y$ , $l$ ,$r$ ,$t$ , $b$)。

3.2 什么是中心度？

中心度是衡量边界与目标中心的归一化距离，假设回归目标为 $l^{\ast }$， $t^{\ast }$， $r^{\ast }$ 和 $b^{\ast }$，则center-ness目标为：
$$centernes{s}^{\ast }=\sqrt{\frac{min(l^{\ast },r^{\ast })}{max(l^{\ast },r^{\ast })}\times \frac{min(t^{\ast },b^{\ast })}{max(t^{\ast },b^{\ast })}}$$
当像素在目标区域的中心位置时，则有 $l^{\ast }=r^{\ast }$ 且 $t^{\ast }=b^{\ast }$ 时，此时中心度的值为1；

当像素位于目标区域的其他位置时，比如当像素刚好在图像的边界上，则会有$min(l^{\ast },r^{\ast })=0$或者$min(t^{\ast },b^{\ast })=0$，此时中心度的值为0；

所以中心度取值范围为 $0\le centernes{s}^{\ast }\le 1$，越往目标中心，中心度值越大，如下图，红色代表1，蓝色代表0。

3.3 为什么需要预测中心度？

作者在论文中提到原因如下，如果不加这一项，FCOS性能会弱于anchor-based的检测模型，原因是模型会生成很多偏离目标中心的低质量bbox。

中心度使用方法：

• 在训练阶段：使用BCE loss，加入到代价函数中一起训练网络；
• 在测试阶段：对预测的bbox进行打分：$scor{e}_{final}=scor{e}_{classification}\ast centerness$，所低质量的bbox最后会通过NMS过滤掉。

3.4 为什么不同特征层的heas是共享的？

论文中提到共享 head 的原因有2点：(1) 可以减少运算量；(2)可以提高模型性能。

3.5 为何用FPN网络？

由 3.1节可知，FCOS对目标bbox内的每个像素点做预测，如果2个目标bbox重叠，那么这个像素点预测哪个目标呢？这就是 ambiguity 问题，解决思路是在不同尺度的特征层上分别预测这2个目标，这里其实有一个bug，如果2个目标的尺度是相同的，那就难以将目标分配到不同尺度的特征层上了，总之作者在这里使用FPN网络来处理，进行多尺度预测，分别预测大小不同的目标。

3.6 FPN网络需要注意哪些细节？

由于FCOS使用的是FPN网络，进行多尺度预测，需要注意如下实施细节：

• 每个特征层处理的正负样本是不同的，比如P3层用于预测小目标 (size范围[0, 64]) ，P4层用于预测较大目标 (size范围 [64, 128] )，每个特征层只负责回归满足如下条件的目标：
  $$m_{i-1}\le max(l^{\ast },r^{\ast },t^{\ast },b^{\ast })<m_i$$
  式中： $m_i$ 表示特征层$i$ 需要回归某个目标的最大距离，论文中的设置： $m_2$，$m_3$，$m_4$，$m_5$，$m_6$ 和 $m_7$ 取值分别为 0, 64, 128, 256, 512, 和 ∞。

• 每个 head 处理不同的特征尺度，所以 head 最后输出时进行的指数运算不是常规的 $exp(x)$，而是 $exp(s_{i}x)$，其中$s_i$ 是可学习的缩放因子。

3.7 loss设计

FCOS 使用的代函数如下：
L ( { p x , y } , { t x , y } ) = 1 N p o s ∑ x , y L c l s ( p x , y , c x , y ∗ ) + λ N p o s ∑ x , y 1 c x , y ∗ > 0 L r e g ( t x , y , t x , y ∗ ) L(\{p_{x,y}\},\{t_{x,y}\})=\frac{1}{N_{pos}}\sum_{x,y}L_{cls}(p_{x,y},c^*_{x,y}) +\frac{\lambda}{N_{pos}}\sum_{x,y}1_{c^*_{x,y}>0}L_{reg}(t_{x,y},t^*_{x,y}) L({ px,y​},{ tx,y​})=Npos​1​x,y∑​Lcls​(px,y​,cx,y∗​)+Npos​λ​x,y∑​1cx,y∗​>0​Lreg​(tx,y​,tx,y∗​)
式中：$L_{cls}$ 采用 focal loss；$L_{reg}$ 采用 IOU loss；$N_{pos}$ 是正样本数量；$\lambda$ 为$L_{reg}$ 的平衡权重。

4 FCOS 性能效果

在COCO数据集上，FCOS 使用 ResNeXt-64x4d-101-FPN基础网络，改进后的 AP 值达到44.7%，高于RetinaNet 5.6个点，以及CornerNet 4.2个点。

所做出的改进Improvements是指：

• 将centerness分支移到regression分支上；
• 只将GT boxes的中心作为正样本；
• IOU loss 使用 GIOU；
• 对 bbox 的 l, r, t, b loss 计算时，使用FPN的不同步距做标准化

5 总结

FCOS 论文的主要贡献包括以下几点：

• FCOS 以很小的设计复杂度，取得了优于anchor-based 的 RetinaNet，YOLO 和 SSD 等检测网络的性能。
• FCOS 摆脱了anchor-based算法导致的复杂计算和超参调优。
• FCOS 还可以拓展应用到二阶段检测网络如 Faste R-CNN 的RPN网络，并且效果更好。