FoveaBox 超越anchor based检测框架

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/cjnewstar111/article/details/94203397

目标检测系列文章
yolo v1原理：https://blog.csdn.net/cjnewstar111/article/details/94035842
yolo v2原理：https://blog.csdn.net/cjnewstar111/article/details/94037110
yolo v3原理：https://blog.csdn.net/cjnewstar111/article/details/94037828
SSD原理：https://blog.csdn.net/cjnewstar111/article/details/94038536
FoveaBox：https://blog.csdn.net/cjnewstar111/article/details/94203397
FCOS：https://blog.csdn.net/cjnewstar111/article/details/94021688
FSAF: https://blog.csdn.net/cjnewstar111/article/details/94019687

简介
FoveaBox是一个anchor free的目标检测框架，与FCOS比较类似
        
网络结构

如下图所示

       
可以看出FoveaBox和FCOS非常相似，经过FPN之后的特征图通过两个分支，一个预测类别，输出维度是H*W*C. 一个预测位置，输出维度是H*W*4。
在FCOS里面，会有一个Centerness的输出，用来剔除原理目标中中点的预测框。而在FoveaBox里面，增加了一个FovearArea的模块，在训练的时候，他将GT框往里收缩一定比例，作为正样本像素点（此区域就是图像的fovea area），将GT框往外扩展一定比例，然后之外的当做负样本像素点。中间的忽略。以此来减少远离中心点的预测，从而提高精度。总的来说FCOS使用的CentNess感觉更平滑一点，而且没有超参。FoveaBox需要自己调整正样本像素点和负样本像素点的矩形框比例。
        

实现细节：
如何处理重叠区域
这点和FCOS基本一致，就是在训练过程中将不同大小的GT按照一定的条件约束到不同的输出层。因为大部分重叠是大物体和小物体的重叠，所以就能比较好的将重叠局域区分开。
            
参考资料：
        机器之心：《最新Anchor-Free目标检测模型—FoveaBox》
        CSDN: 《论文学习 FoveaBox: Beyond Anchor-based Object Detector》