带你捋一捋anchor-free的检测模型：FCOS
AI编辑：我是小将
相比two-stage方法，one-stage的目标检测算法更受追捧。one-stage的模型目前可以分为两大类：anchor-based和anchor-free方法。基于anchor-based的检测模型包括SSD，YOLOv3，RetinaNet等，这些模型需要在每个位置预先定义一系列anchor来预测边界框，整个训练和测试阶段都依赖anchor。基于anchor-free的模型不需要anchor，主要是通过检测关键点来直接预测边界框，如CornerNet是检测物体的左上角和右下角顶点，但是却需要耗时的分组策略来得到最终的边界框，还有一类是检测物体中心点的方法，如CenterNet通过预测物体的中心点和大小来检测物体，架构上更简单，速度也更快。这里要介绍的FCOS属于anchor-free，但是却不是基于关键点检测的方法，严格来看其更接近基于anchor-based的方法，但是不需要anchor并加上特殊的设计却能够实现更好的效果。
从anchor说起
对于anchor-based的方法，其在输出特征图每个位置放置一系列固定的anchor，这样做的好处是将目标框和anchor绑定在一起，在训练过程中只需要计算GT和anchor的IoU并设定阈值条件来定义正负样本，另外一方面可以通过设定不同大小和宽高比的anchor来适应检测目标的尺度变化性，以保证召回。虽然基于anchor的检测算法取得了很好的效果，但是anchor总显得有点多余。其实YOLOv1并没有使用anchor，没有anchor的YOLOv1是直接将目标框和特征图上的cell绑定在一起，目标框的中心点落在这个cell内，但YOLOv1的recall较低，后面版本都用了anchor。但我们是可以将特征图上cell和目标框直接关联在一起，而不用anchor，这样目标检测就和语义分割一样变成了直接的pixel预测（pixel和cell是等同的）。FCOS就是这样做的，具体来说就是直接用包含目标的cell来回归目标，如图1所示，左图中橙色框中某个cell直接预测与目标框的4个偏移量，但是如果一个cell包含在多个目标之中，这就出现了冲突：这个cell到底该回归哪个目标？如右图所示。FCOS通过一系列设计来解决这个问题，这也是FCOS的核心。
图1 FCOS整体设计理念
FCOS采用的网络架构和RetinaNet一样，都是采用FPN架构，如图2所示，每个特征图后是检测器，检测器包含3个分支：classification，regression和center-ness。
图2 FCOS整体架构
检测器
对于特征图，其相对于输入图片的stride定义为，另外记GT为，这里，其中和分别是GT的左上角和右下角顶点坐标，而是GT的类别。对于特征图上的每个位置，如果其落在任何GT的中心区域，就认为这个位置为正样本，并负责预测这个GT。在最早的版本是落在GT之内就算正样本，不过采用中心区域策略效果更好（👉yqyao/FCOS_PLUS），两者的区别如图3所示。一个中心为的GT，其中心区域定义为GT框的一个子框，这里是特征图的stride，而是一个超参数，论文中选用的是1.5，一个要注意的点是在实现中要保证中心区域不超过GT。尽管采用中心区域抽样方法，可以减少前面说的冲突问题，但是无法保证，如果一个位置落在了多个GT的中心区域，此时就是模糊样本。FCOS采用的一个策略是选择面积最小的GT作为target，后面会谈到结合FPN，FCOS可以大大减少模糊样本的出现。
图3 正负样本的判定策略
对于classification分支，和RetinaNet一样采用个二分类，共输出个预测值，loss采用focal loss。对于regression分支，每个位置预测一个实数向量，其对应的target为当前位置与GT框4个顶点间的距离：
这里用特征图的stride来对回归的target进行缩放，以避免训练过程中的可能出现的梯度爆炸。由于4个回归值要大于0，最后的输出采用ReLU来保证回归值的范围为。
FCOS在regression分支的末尾添加了一个额外的center-ness分支（最早的版本是放在classification分支，但是放在regression分支效果更好）来抑制那些由那些偏离目标中心的位置所预测的低质量检测框。center-ness分支只预测一个值：当前位置与要预测的物体中心点之间的归一化距离，值在[0, 1]之间，图4给出了可视化效果，其中红色和蓝色值分别1和0，其它颜色介于两者之间，从物体中心向外，center-ness从1递减为0。
给定回归的，center-ness的target定义为：
由于center-ness值在0~1之间，训练过程中可以采用BCE损失。在测试阶段，最终的置信度为center-ness和分类概率的乘积：
这里的sqrt可以改变置信度的数量级（FCOS的预测框置信度偏低），但是不会影响评测的AP值。实验证明center-ness的使用可以使FCOS在COCO数据集上的AP值提升1个点左右，另外论文也定量分析了center-ness分支在压制低质量检测框的作用，如图5所示，可以看到未使用center-ness，FCOS会检出一定量的高置信度但低IoU的边界框（在IoU阈值下就是FP），而使用center-ness后这部分数量大大减少。
长久以来，检测模型的分类和回归分支是孤立的，这可能导致模型对物体的分类和定位不一致，就像前面所说的分类概率高但定位不准确，如图6所示，这对于AP值是不利的。类似的工作还有👉IoU-aware RetinaNet，在RetinaNet模型的回归分支增加一个预测IoU的分支，AP值可以提升1~2%。
另外，最新的论文👉Generalized Focal Loss更进一步地将对预测框的定位质量评估和分类分支联合在一起训练，因为FCOS的center-ness分支在训练时其实是和分类是分开的，只是在测试时结合在一起，这存在一个训练和测试的不一致。另外论文也指出用IoU比用center-ness评估预测框更好，主要原因在于center-ness的label往往要比IoU要小一些，如下图所示，这导致有可能一部分样本比较难召回。
综上，FCOS的训练loss包含三个部分：
这里的当为正样本时取1，为负样本时取0，所以和只有正样本才计算。而为权重系数，在论文中均取1。前面已经说过分类loss采用focal loss，而center-ness采用BCE损失，这里的回归loss采用GIoU，其效果优于IoU。
FPN
对于anchor-based方法，采用FPN时会将不同大小的anchor放置在不同大小的特征图上，特征图越小，感受野相应更大，用来检测更大的物体。同样地，这种设计理念可以用在FCOS模型上，以解决前面所说的模糊样本问题。
与RetinaNet一样，FCOS也采用5个大小不同的特征图，其对应的stride分别是。与RetinaNet不同的一点是，和在之后加stride为2的3x3卷积得到，而不是来自于，这样好处是一方面可以减少参数量，另外由于产生的特征图语义更强而效果更好。
对于anchor-based方法，由于是根据anchor和GT的IoU来进行匹配，所以很自然地将大小不同的GT分配到不同的特征图。而FCOS直接通过限制不同特征图上目标回归值来达到这一目的。具体来说，每个特征图会设定一个回归值的下限值和上限值，某个GT在该特征图上正样本位置（满足前面所述的中心区域内条件）还要满足目标回归值大小限制：
这样就限制了不同特征图上的回归距离，从而将不同大小的目标分配到不同特征图上，因为不同特征图的感受野不同，通过这种方式可以确保要回归的物体整个包含在特征图的感受野内。论文中，分别设定为，那么特征图覆盖的是[0,64]之间的目标回归值，而则是负责512以上的目标回归值。与RetinaNet一样，所有的检测器head在各个特征图上是共享的，但是由于不同特征图对应的回归值范围差异较大，可能学习成本大，所以最早版本FCOS在regression分支最后输出是乘以一个可学习的scale值以解决这个问题：
class Scale(nn.Module):
def __init__(self, init_value=1.0):
super(Scale, self).__init__()
self.scale = nn.Parameter(torch.FloatTensor([init_value]))
def forward(self, input):
return input * self.scale
但是现在的版本中，前面已经提到每个特征图上的回归值其实是已经除以特征图的进行缩放，这样就和学习一个scale值基本等同，所以加不加这个策略都可以。
模糊样本的出现大部分是由于物体重叠造成的，但是重叠的物体大部分其大小是不同的，所以FPN的使用可以更一步解决模糊样本问题。
BPR
FCOS没有使用anchor，那么一个风险点就是和YOLOv1一样recall较低，论文中通过计算训练过程中BPR指标（ Best Possible Recall）证明了FCOS的recall上限与RetinaNet基本相差不大。这里的BPR定义为训练过程中所有GT的最大召回率，如果训练过程中一个GT被某个anchor或者location匹配上那么就认为被召回了。基于COCO val2017数据集，RetinaNet和FCOS的BPR指标如表1所示，可以看到FCOS使用FPN后BPR可以达到98.95%，仅仅稍低于采用low-quality-matches（指的是允许某个GT匹配给IoU最大的anchor，尽管最大IoU值可能低于阈值）的RetinaNet。从BPR指标来看，FCOS和RetinaNet基本相差无几。不过BPR还是都没有达到100%，这主要是因为前面所说的模糊样本问题，或者说是冲突。
论文中也统计了模糊样本占比，如表2所示，这里的1, 2 ≥ 3表示一个位置被分配给GT的数量，当大于1时这个位置就是模糊样本。可以看到采用中心抽样策略和FPN后，FCOS模糊样本占比只有2.66%。
模型效果
这里主要关注FCOS和RetinaNet模型在COCO数据集上的效果对比，如表3所示，可以看到FCOS的AP明显高于原生RetinaNet（38.9 VS 35.9）。但是当RetinaNet也采用FCOS的某些策略（GN，GIoU loss和FPN用P5替代C5来得到P6，P7），RetinaNet模型效果也提升较大，仅和FCOS相差一个点左右。更进一步，如果FCOS去掉center-ness分支，FCOS和RetinaNet效果基本接近了。另外👉ATSS也证明了如果RetinaNet如果仅每个位置放置一个anchor，但采用FCOS的所有策略，两种效果差别也不大。这就说明其实anchor-free和anchor-based的方法实际效果相差并不大，FCOS和RetinaNet的差异仅在于两者对正负样本定义策略差异，据此ATSS也提出了效果更好的策略。不过依然致敬FCOS，毕竟也是一个非常扎实的work。
表3 FCOS和RetinaNet对比
FCOS核心实现
目前FCOS官方代码已经开源在👉AdelaiDet，代码基于detectron2框架。这里主要关注FCOS最核心的部分，就是正负样本的定义策略，代码如下：
def compute_targets_for_locations(self, locations, targets, size_ranges, num_loc_list):
"""
Args:
locations: [N, 2], 所有FPN层cat后的位置
targets: GT，detectron2格式
size_ranges: [N, 2], 各个位置所在FPN层的回归size限制（min,max)
num_loc_list: list，各个FPN层的位置数
"""
labels = [] # 各个位置的类别target
reg_targets = [] # 各个位置的回归target
xs, ys = locations[:, 0], locations[:, 1] # 位置x,y坐标
num_targets = 0 # 用于索引
# for循环处理各个image
for im_i in range(len(targets)):
targets_per_im = targets[im_i]
bboxes = targets_per_im.gt_boxes.tensor # [M, 4]
labels_per_im = targets_per_im.gt_classes # [M]
# 无GT，默认target全为负样本
if bboxes.numel() == 0:
labels.append(labels_per_im.new_zeros(locations.size(0)) + self.num_classes)
reg_targets.append(locations.new_zeros((locations.size(0), 4)))
continue
area = targets_per_im.gt_boxes.area() # [M]
# 计算每个位置与各个GT的l,t,r,b
l = xs[:, None] - bboxes[:, 0][None] # [N, M]
t = ys[:, None] - bboxes[:, 1][None] # [N, M]
r = bboxes[:, 2][None] - xs[:, None] # [N, M]
b = bboxes[:, 3][None] - ys[:, None] # [N, M]
reg_targets_per_im = torch.stack([l, t, r, b], dim=2) # [N, M, 4]
if self.center_sample: # 中心采样
is_in_boxes = self.get_sample_region(
bboxes, self.strides, num_loc_list, xs, ys,
bitmasks=None, radius=self.radius
) # [N, M]
else: # 全部采样
is_in_boxes = reg_targets_per_im.min(dim=2)[0] > 0 # [N, M]
max_reg_targets_per_im = reg_targets_per_im.max(dim=2)[0] # [N, M]
# 限制每个位置所属FPN的size限制
is_cared_in_the_level = \
(max_reg_targets_per_im >= size_ranges[:, [0]]) & \
(max_reg_targets_per_im <= size_ranges[:, [1]]) # [N, M]
# GT的面积
locations_to_gt_area = area[None].repeat(len(locations), 1) # [N, M]
locations_to_gt_area[is_in_boxes == 0] = INF # 排除条件1：GT内或者GT中心区域
locations_to_gt_area[is_cared_in_the_level == 0] = INF # 排除条件2：FPN size限制
# 每个位置可能匹配多个GT，所以要选取最小面积的GT
# locations_to_gt_inds: [N], 每个位置要回归的GT index
locations_to_min_area, locations_to_gt_inds = locations_to_gt_area.min(dim=1)
# 回归target
reg_targets_per_im = reg_targets_per_im[range(len(locations)), locations_to_gt_inds]
# 分类target
labels_per_im = labels_per_im[locations_to_gt_inds]
# 负样本处理，这里用self.num_classes为负样本
labels_per_im[locations_to_min_area == INF] = self.num_classes
labels.append(labels_per_im)
reg_targets.append(reg_targets_per_im)
总体上看，代码逻辑比RetinaNet的IoU策略更复杂一些，这里只需要计算分类和回归的target即可，因为center-ness分支的target可以用回归target计算得到：
def compute_ctrness_targets(reg_targets):
if len(reg_targets) == 0:
return reg_targets.new_zeros(len(reg_targets))
left_right = reg_targets[:, [0, 2]]
top_bottom = reg_targets[:, [1, 3]]
ctrness = (left_right.min(dim=-1)[0] / left_right.max(dim=-1)[0]) * \
(top_bottom.min(dim=-1)[0] / top_bottom.max(dim=-1)[0])
return torch.sqrt(ctrness)
至于上面的中心采样策略，其实现代码如下，注意中心区域要限制在GT内：
def get_sample_region(self, boxes, strides, num_loc_list, loc_xs, loc_ys, bitmasks=None, radius=1):
center_x = boxes[..., [0, 2]].sum(dim=-1) * 0.5 # [M,]
center_y = boxes[..., [1, 3]].sum(dim=-1) * 0.5 # [M,]
num_gts = boxes.shape[0]
K = len(loc_xs)
boxes = boxes[None].expand(K, num_gts, 4) # [N, M, 4]
center_x = center_x[None].expand(K, num_gts) # [N, M]
center_y = center_y[None].expand(K, num_gts) # [N, M]
center_gt = boxes.new_zeros(boxes.shape) # [N, M, 4]
# 无GT
if center_x.numel() == 0 or center_x[..., 0].sum() == 0:
return loc_xs.new_zeros(loc_xs.shape, dtype=torch.uint8)
beg = 0
# for循环处理各个FPN层
for level, num_loc in enumerate(num_loc_list):
end = beg + num_loc
# 计算中心区域范围
stride = strides[level] * radius
xmin = center_x[beg:end] - stride
ymin = center_y[beg:end] - stride
xmax = center_x[beg:end] + stride
ymax = center_y[beg:end] + stride
# 限制中心区域不超过GT
center_gt[beg:end, :, 0] = torch.where(xmin > boxes[beg:end, :, 0], xmin, boxes[beg:end, :, 0])
center_gt[beg:end, :, 1] = torch.where(ymin > boxes[beg:end, :, 1], ymin, boxes[beg:end, :, 1])
center_gt[beg:end, :, 2] = torch.where(xmax > boxes[beg:end, :, 2], boxes[beg:end, :, 2], xmax)
center_gt[beg:end, :, 3] = torch.where(ymax > boxes[beg:end, :, 3], boxes[beg:end, :, 3], ymax)
beg = end
left = loc_xs[:, None] - center_gt[..., 0]
right = center_gt[..., 2] - loc_xs[:, None]
top = loc_ys[:, None] - center_gt[..., 1]
bottom = center_gt[..., 3] - loc_ys[:, None]
center_bbox = torch.stack((left, top, right, bottom), -1)
inside_gt_bbox_mask = center_bbox.min(-1)[0] > 0 # 位置在GT的中心区域
return inside_gt_bbox_mask
总结
FCOS是一个很特别的基于anchor-free的检测模型，因为它不是基于关键点进行检测，而是每个位置直接回归目标，从另外一方面讲，FCOS虽没有anchor，但实际上和RetinaNet非常相似。但是FCOS依然是一个不错的工作，它让我们重新思考这种密集anchor的方式其实非常不必要，只要采用更好的正负样本定义策略，ATSS更进一步强化了这个问题的重要性。
参考
👉FCOS: A Simple and Strong Anchor-free Object Detector 👉IoU-aware Single-stage Object Detector for Accurate Localization 👉Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection 👉Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection 👉AdelaiDet
如果觉得不错，请关注一下公众号，也请为小编点个在看，关注公众号，回复加群，进群学习交流
推荐阅读
机器学习算法工程师
一个用心的公众号