FCOS: Fully Convolutional One-Stage Object Detection

一. 论文简介

Anchor-Free文章

主要做的贡献如下（可能之前有人已提出）：

FPN分阶段回归

Center-ness Loss

二. 模块详解

2.1 论文思路简介

论文整体比较简单，直接从头读到尾没有什么障碍，好像Anchor-free的文章都比较简单。下面直接以模块介绍。

文章中 \(l^*、b^*、r^*、t^*\) 表示label，\(l、b、r、t\) 表示predict

2.2 具体实现

2.2.1 回归形式

文章直接回归 \(l、r、b、t、c\) 其中 \(c\) 表示种类，前面四个在上图中有表示。

回归采用正负样本形式：

\(feature map\) 表示回归的特征图（以 \(M\) 表示）
\(M_{i,j}\) 表示 \((i,j)\) 个点的特征值
将 \(M_{i,j}\) 映射到原图，假设当前特征图的总步长是 \(S\) （和原图比例），则原图点\(P_{i,j} =（\frac{S}{2}+M{i}*S，\frac{S}{2}+M{j}*S）\)
\(P_{i,j}\) 落入哪个label区域，就负责回归哪个label，算作正样本。落到外部则算作负样本。
如果落在重复区域，按照上图的形式（哪个面积小，就负责哪个label）

文章采用FPN结构，用于提高召回率和精确度。参考Anchor-based（不同尺度的Anchor负责不同大小的目标），文章对不同的层进行限制目标大小：其中\(M_{1}、M_{2}、...M_{6} = 0、64、128、256、 512\)，按照 \(M_{i}<（l^*、b^*、r^*、t^*）<M_{i-1}\) 形式进行分配。