FCOS改进版，COCO数据集mAP高达50.4

FCOS改进版，COCO数据集mAP高达50.4
FCOS: A Simple and Strong Anchor-freeObject Detector
PDF: https://arxiv.org/abs/2006.09214

目标检测论文：FCOS: Fully Convolutional One-Stage Object Detection及其PyTorch实现

1 center sampling选择正样本点

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。
FCOS改进版则要求特征点位于目标的中心区域，即 ( c x − r s ; c y − r s ; c x + r s ; c y + r s ) (c_{x}−rs; c_{y}−rs; c_{x}+rs; c_{y}+rs) (cx​−rs;cy​−rs;cx​+rs;cy​+rs)， 其中s为当前层的stride，r为超参数， COCO种设置为1.5。

不同r的选择

2 回归目标优化

FCOS改进版则加入stride，变得更适应FPN的尺寸
FCOS:

FCOS改进版：

3 center-ness位置

FCOS的center-ness预测与分类预测放到了一起。

FCOS改进版则将其与回归预测放到了一起。

4 Reg Loss Function修改

FCOS使用IoU损失进行回归的学习。

FCOS改进版则采用了GIoU损失进行回归的学习。

5 final score的计算

FCOS采用分类分数以及center-ness之积。
final score s x ; y s_{x;y} sx;y​ = classification score p x ; y p_{x;y} px;y​ × predicted center-ness o x ; y o_{x;y} ox;y​
FCOS改进版则采用分类分数以及center-ness之积的平方根

对最终结果没有影响，估计就是为了final score 数值大一些吧。

6 使用BiFPN代替普通FPN，同时不使用深度分离卷积

这部分能带来约2AP提升

7 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。

8 在Head的卷积层后面使用Group Normalization

9 bbox loss weight

FCOS：所有正样本点的 weight 平权。
FCOS改进版：将样本点对应的 centerness 作为权重，离 GT 中心越近，权重越大。

10 bbox norm

FCOS：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 e s i x e^{s_{i}x} esi​x，其中 s i s_{i} si​ 为 stride。
FCOS改进版：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 s i R e L U ( x ) s_{i}ReLU(x) si​ReLU(x)。加入 ReLU 可以保证结果非负。