最新的Anchor-Free目标检测模型FCOS，现已开源！

点击上方“OpenCV大本营”，选择加"星标"

重磅干货，第一时间送达

截止2019-04-12，Amusi 了解到较新的基于Anchor-Free的目标检测模型有两个，分别是：

• FCOS

• FoveaBox

前者FCOS就是本文要重点介绍的刚刚开源的算法，后者还没有开源，但同样是很棒的算法，后面会再跟大家介绍。想要了解最新论文解读和优质开源项目，请大家持续关注：

FCOS论文介绍

《FCOS: Fully Convolutional One-Stage Object Detection》

arXiv: https://arxiv.org/abs/1904.01355

github: https://github.com/tianzhi0549/FCOS

作者团队：阿德莱德大学

注：2019年04月03日刚出炉的paper

Abstract：我们提出了一种全卷积的 one-stage 目标检测器（FCOS），以每像素预测方式解决目标检测，类似于语义分割。几乎所有最先进的目标检测器，如RetinaNet，SSD，YOLOv3和Faster R-CNN都依赖于预定义的锚框（anchor boxes）。相比之下，我们提出的检测器FCOS不需要锚框，即 proposal free。通过消除预定义的锚框，FCOS完全避免了与锚框相关的复杂计算，例如在训练期间计算重叠并且显著减少了训练内存。更重要的是，我们还避免了与锚框相关的所有超参数，这些参数通常对最终检测性能非常敏感。凭借唯一的后处理：非极大值抑制（NMS），我们的检测器FCOS优于以前基于锚框的one-stage探测器，具有更简单的优势。我们首次展示了一种更加简单灵活的检测框架，可以提高检测精度。我们希望提出的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。

本文算法（FCOS）

下图是FCOS的网络框图，可以明显看到网络组合是：【Backbone】 + 【特征金字塔（Feature Pyramid）】+ 【Classification + Center-ness + Regression】

这里的 Center-ness 是全新的概念，也是论文的创新所在。另外敲重点，本文之所以独树一帜，是因为其 anchor-box free的思路

训练回归公式：

损失函数：

Center-ness：

实验结果

在COCO数据集上，各种目标检测算法PK。FCOS已经超越 Two-stage的Faster R-CNN，还超越了 One-stage的YOLOv2、SSD、RetinaNet，以及很新的CornerNet。

吐槽一下：FCOS真的很强，但为啥不放速度比较呢？难道One-stage 目标检测已经不注重 mAP/Speed的 trade-off了么？

FCOS开源

链接：https://github.com/tianzhi0549/FCOS

特性

• Totally anchor-free: FCOS completely avoids the complicated computation related to anchor boxes and all hyper-parameters of anchor boxes.

• Memory-efficient: FCOS uses 2x less training memory footprint than its anchor-based counterpart RetinaNet.

• Better performance: Compared to RetinaNet, FCOS has better performance under exactly the same training and testing settings.

• State-of-the-art performance: Without bells and whistles, FCOS achieves state-of-the-art performances. It achieves 41.0% (ResNet-101-FPN) and 42.1% (ResNeXt-32x8d-101) in AP on coco test-dev.

• Faster: FCOS enjoys faster training and inference speed than RetinaNet.

需要的硬件

We use 8 Nvidia V100 GPUs. 
But 4 1080Ti GPUs can also train a fully-fledged ResNet-50-FPN based FCOS since FCOS is memory-efficient.

安装

This FCOS implementation is based on maskrcnn-benchmark, so its installation is the same as original maskrcnn-benchmark.

Please check INSTALL.md for installation instructions. You may also want to see the original README.md of maskrcnn-benchmark.

测试

The inference command line on coco minival split:

python tools/test_net.py \
    --config-file configs/fcos/fcos_R_50_FPN_1x.yaml \
    MODEL.WEIGHT models/FCOS_R_50_FPN_1x.pth \
    TEST.IMS_PER_BATCH 4

训练

The following command line will train FCOS_R_50_FPN_1x on 8 GPUs with Synchronous Stochastic Gradient Descent (SGD):

python -m torch.distributed.launch \
    --nproc_per_node=8 \
    --master_port=$((RANDOM + 10000)) \
    tools/train_net.py \
    --skip-test \
    --config-file configs/fcos/fcos_R_50_FPN_1x.yaml \
    DATALOADER.NUM_WORKERS 2 \
    OUTPUT_DIR training_dir/fcos_R_50_FPN_1x

FCOS源码

为了方便下载，开源代码已经打包上传至百度云，可以扫码下方二维码，

后台回复：FCOS，即可获得百度云链接。

▲长按关注我们

CVer目标检测交流群

扫码添加CVer助手，可申请加入CVer-目标检测交流群。一定要备注：目标检测+地点+学校/公司+昵称（如目标检测+上海+上交+卡卡）

▲长按加群

欢迎给我"在看"！