目标检测 CVPR 2019 FCOS

本文主要是介绍目标检测 CVPR 2019 FCOS，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

参考：
1

这是一篇anchor-free的目标检测算法。
以往的anchor-based算法的缺点：
缺点一：检测性能对于anchor的大小、数量、长宽比都非常敏感
缺点二：固定的anchor损害检测器的普适性，导致对于不同任务，其anchor都必须重新设置大小和长宽比。
缺点三：为匹配真实框，需生成大量anchor，但是大部分anchor在训练时标记为negative，就会造成样本间的不平衡，没有充分利用fore-ground。
缺点四：训练中需要计算所有anchor框与真实框的iou，计算量大。消耗大量内存和时间。
FCOS也是用了FPN的结构，FPN是feature pyramid networks特征金字塔网络，是一种常规利用CNN模型来高效提取图片中各维度特征的方法。FPN是一种多尺度目标检测算法，在它之前的目标检测算法都只采用顶层特征做预测，低层的特征语义信息比较少但是目标位置准确，高层特征语义信息丰富但是目标位置粗略。FPN独特的地方在于预测是在不同的特征层独立进行的。
FCOS也是用了FPN结构，但是最后两层没有进行上采样。FPN结构在高层的语义特征融合效果并不好。所以构建FPN没有必要使用所有的卷积层。
FCOS的优点在于：
优点一：检测问题可以被统一到其他FCN-solvable的问题，如语义分割。可以简单重用其他任务的idea。
优点二：由于anchor-free，所以不需要像anchor-based那样去调大量参数，并且还不用计算iou。
如下图所示：重叠区域

这篇关于目标检测 CVPR 2019 FCOS的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！