本文是对FCOS的小修小改，最终性能达到了50.4AP，可谓相当强劲了，大家在工程上可以参考其中的改进以及提升方法   来源：晓飞的算法工程笔记 公众号

论文: FCOS: A Simple and Strong Anchor-freeObject Detector

• 论文地址：arxiv.org/abs/2006.09…
• 论文代码：github.com/aim-uofa/Ad…

Introduction

  论文由FCOS原团队重新修改后发表，作者管这篇为FCOS的扩展版本而不是FCOSv2，但为了好分辨，我们就管他叫FCOSv2吧。FCOSv2的整体思想基本与FCOS一致，但性能出色很多。对比FCOS，基础主干ResNet-101-FPN上的性能从41.5AP提升了43.2AP，而最高版本的性能则是达到了50.4AP。
本文主要探讨FCOSv2其中的一些改进与提升方法，具体的其它实现可参考之前的FCOS文章。

FCOSv2

FCOS

  FCOSv2在思想上与FCOS基本一致，在特征图的每个位置预测目标的类别、尺寸信息以及Center-ness，Center-ness用来表示当前位置与目标中心点的距离，目标的最终分数由分类分数和Center-ness分数结合所得。尺寸信息跟以往的bbox回归方法不同，预测的是特征位置到目标的四个边界的距离。

  图2为FCOSv2中的主干网络结构，主干网络依然采用FPN，每层特征使用共同的head预测类别信息、尺寸信息以及Center-ness，具体的可以看看之前的文章。

Change

  下面列举了一些FCOSv2相对于FCOS的修改，由于论文没有与原版进行对比，所以不知道各部分带来的收益具体是多少：

1. 正样本点指定的修改，FCOS要求该特征点位于目标内部，以及该特征点到目标边界的距离满足所处的FPN层的约束，而FCOSv2则要求特征点位于目标的中心区域$(c_x-rs, c_y-rs, c_x + rs, c_y+rs)$，$s$为当前层的stride，$r=1.5$为超参数。
2. 回归目标修改，FCOS的回归目标直接是特征点到目标边界的距离，由于Head是共用的，所以在预测时为每个level预设一个可学习的scale因子，而FCOSv2则加入stride，变得更适应FPN的尺寸，可学习的scale因子依然使用。

3. center-ness预测的位置，FCOS的center-ness预测与分类预测放到了一起，而FCOSv2则将其与回归预测放到了一起。
4. 回归损失函数修改，FCOS使用IoU损失进行回归的学习，而FCOSv2则采用了GIoU损失进行回归的学习。
5. 最终分数的计算，FCOS采用分类分数以及center-ness之积，FCOSv2则采用分类分数以及center-ness之积的平方根：

Improvement

  为了获得更好的性能，除了更换更强的主干网络外，论文还将FCOSv2进行了如下扩展：

1. 使用BiFPN代替普通FPN，注意没有采用深度分离卷积，这部分能带来约2AP提升。
2. 测试阶段的数据增强，将图片依次缩放至$[400,1200]$，每次步长为100，每个尺寸使用原图以及垂直翻转图片进行推理，这部分能带来约2.5AP提升。
3. 增加可变形卷积，分别替换主干网络的第三和第四阶段的卷积，以及Head的两个分支的前四个卷积，这部分带来约1.5AP提升。

Experiment

  与SOTA方法对比。

  推理性能对比。

Conclusion

  本文是对FCOS的小修小改，最终性能达到了50.4AP，可谓相当强劲了，大家在工程上可以参考其中的改进以及提升方法。

如果本文对你有帮助，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】