FCOS Fully Convolutional One-Stage Object Detection

论文原址：https://arxiv.org/abs/1904.01355

摘要

我们提出了一种全卷积的单阶段检测网络（FCOS），以按像素预测的方式（类似于语义分割）解决目标检测。几乎所有最新的物体检测器（例如RetinaNet，SSD，YOLOv3和Faster R-CNN）都依赖于预定义的锚框。相反，我们建议的探测器FCOS不含锚盒，也不含提议。通过消除预定义的锚框集合，FCOS完全避免了与锚框相关的复杂计算，例如在训练过程中计算重叠。更重要的是，我们还避免了所有与锚框相关的超参数，这些超参数通常对最终检测性能非常敏感。通过唯一的后处理非最大抑制（NMS），采用ResNeXt-64x4d-101的FCOS通过单模型和单规模测试可达到AP的44.7％，它具有更简单的优势，超越了以前的一级检测器。我们首次展示了一种更简单，更灵活的检测框架，可提高检测精度。我们希望所提出的FCOS框架可以作为许多其他实例级任务的简单而强大的替代方案。

?FCOS的优点如下:

? I.可以将目标检测与语义分割，等基于全卷积的任务进行结合，更加简单。

? II.目标检测与anchor/proposal无关，大量减少了参数量，计算量及内存。

? III.FCOS也可以与RPN结合取得更好的结果。

?IV.通过对模型进行小幅度改造就可以应用到其他视觉任务，比如关键点检测。

不同于基于anchor的检测器，在不同层的feature map上应用不同尺寸的anchor，本文直接限制边界框回归的范围。