FCOS(Fully Convolutional One-Sta
2019-08-15 本文已影响0人
cshun
arXiv: https://arxiv.org/abs/1904.01355
github: https://github.com/tianzhi0549/FCOS
向着anchor-free方向迈进，不铺框的检测，减少了大量的anchor iou计算，并且可以达到与two-stage相当的检测精度。
1.通过计算预测C类的classfication和regerssion对边框进行回归（到四个边界的距离[l,t,r,b]）。
2.远离目标中心点的预测结果中的含有大量误检测结构，centerness则相当于确定中心位置的heatmap，最后直接乘到分类分数上，减少误检测结果。
3.一个点可能会重复多个目标，FPN很大程度上解决了这问题（不同大小目标被分配的不同层）。如果分配到相同层，以较小目标为主体。
（不断进步中的FCOS）用center来代替FCOS的classification。并使用giou loss来代替原来的iou loss（IOU loss as in UnitBox）。
giou means the use giou loss function. (1 - giou)
