FCOS 的改进 trick

会员服务 ·

FCOS 的改进 trick

2020 年 10 月 17 日 极市平台

↑ 点击蓝字关注极市平台

作者丨BigBoss

来源丨https://zhuanlan.zhihu.com/p/259314634

编辑丨极市平台

本文仅用于学术分享，如有侵权，请联系后台作删文处理。

极市导读

本文总结了FCOS无cost涨点的技巧，内容涉及对原始论文中六个要素的分析及后续改进方案，值得刚入门的同学思考。>>加入极市CV技术交流群，走在计算机视觉的最前沿

我个人的观点，FCOS 应该算入门检测最合适的文章。

一茬茬同学第一次读 Faster R-CNN 时估计大多数都没有搞明白 anchor 的作用，FCOS 是 anchor free 的方法，可以先绕过 anchor 的概念。Paper 中用的 FPN 结构示意图上画得也比较清楚，如果看 FPN 原文，还要涉及到 RPN 和 Fast R-CNN 的不同处理，知道 top-down 和 bottom-up 的思想应该足够了。

简单总结 FCOS 无 cost 涨点 trick，大部分参考了 mmdetection 的源码。源自我面试时候最喜欢问的问题：这篇 paper 有什么不足，后续有哪些改进。

1. centerness 分支的位置

原始论文：centerness 分支与 cls 分支共享前面几个卷积

改进 trick：centerness 分支挪到 reg 分支，参考

https://github.com/tianzhi0549/FCOS/issues/89#issuecomment-516877042

2. center sampling

原始论文：GT bbox 内的点，分类时均作为正样本（下图上面小图的所有黄色区域）。

改进 trick：只有 GT bbox 中心附近的 radius * stride 内的小 bbox（可以叫 center bbox）内的点，分类时才作为正样本（下图下面小图的黄色和绿色区域）。

3. bbox norm

原始论文：假设 FPN 某个 stride feature map 上某个点的回归预测值为 x，则对应的值，其中 s_i 为 stride。

改进 trick：假设 FPN 某个 stride feature map 上某个点的回归预测值为 x，则对应的值为。加入 ReLU 可以保证结果非负。注意训练时需要将与 GT 边界的距离，除以 FPN 对应 feature map 的 stride 作为目标值。

4. bbox loss weight

原始论文：所有正样本点的 weight 平权。

改进 trick：将样本点对应的 centerness 作为权重，离 GT 中心越近，权重越大。

5. reg loss

原始论文：IoU loss。

改进 trick：GIoU，参考 https://giou.stanford.edu/GIoU.pdf

6. centerness 分支的 label

原始论文：利用 l，t，r，b 计算 centerness。

改进 trick：直接用 IoU，参考 GFL 中的Why is IoU-branch always superior than centerness-branch?（ https://arxiv.org/pdf/2006.04388.pdf）

小目标的 centerness 值比较小，最终 cls 分数很容易被阈值卡掉，另外 GFL 中改进了 cls 和 reg loss。

打个广告，欢迎大家找我内推。https://zhuanlan.zhihu.com/p/260428511

推荐阅读

ACCV 2020国际细粒度网络图像识别竞赛正式开赛！

添加极市小助手微信（ID : cvmart2），备注：姓名-学校/公司-研究方向-城市（如：小极-北大-目标检测-深圳），即可申请加入极市目标检测/图像分割/工业检测/人脸/医学影像/3D/SLAM/自动驾驶/超分辨率/姿态估计/ReID/GAN/图像增强/OCR/视频理解等技术交流群：每月大咖直播分享、真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企视觉开发者互动交流~