FCOS长文详解

1. 概述

FCOS是一种one-stage、全卷积（Fully Convolutional）结构的目标检测模型，发表于2019年ICCV。（什么是one-stage？）
论文原地址：https://arxiv.org/abs/1904.01355
作者源码：https://github.com/tianzhi0549/FCOS
作者的源码有些复杂，我找了一个简单的版本https://github.com/zhenghao977/FCOS-PyTorch-37.2AP，作为本文的详解代码。

FCOS不同于在此之前热门的anchor based方法（比如R-CNN系列），没有设置anchor boxes来作为目标的候选区域，而是使用全卷积网络，结合FPN，直接拿去做检测，实现了anchor free，并达到了当时的state-of-art。当然anchor free这个概念不是作者提出来的，很早就有了。

作者在文中主要与anchor based检测方法作对比，首先指出anchor based方法的缺点：

• 检测性能对anchor box的尺寸、高宽比、数量设置很敏感，而且这些都是超参数，而且人为调整；
• 难以适应尺度变化大的目标，特别是小目标，因为anchor box限制了泛化能力，因此在新的任务中，需要重新设置anchor box的尺寸、高宽比等等；
• 绝大多数anchor box都是负样本，这加剧了训练中正负样本不平衡的问题；
• anchor boxes带来了巨大的计算量，比如计算IoU。

然后对比anchor based方法，阐述了FCOS的优点，其实就是把上边的缺点反过来就是了：

• FCOS与许多全卷积网络可解决的问题在方法上具有一致性，方便在其他任务中复用；
• anchor free，最大的贡献，减少了超参数，降低了训练难度；
• 降低了计算量，速度快，因为没有anchor boxes；
• FCOS也可以作为two-stage detectors使用，而且比anchor based的RPNs性能好。

2. 推理详细全流程

这一部先讲一下FCOS如何推理，每一步详细做了什么操作，后边再讲FCOS如何进行训练。

2.1 概括

文章作者给出了算法结构图，这也算是推理的流程图，非常重要的一张图

图1. 算法框架（图源：FCOS原文）
从图上明显看出来，FCOS包含了三个部分，分别是BackBone，Feature Pyramid， 还有一个Classification+Centerness+Regression。BackBone主要用于提取特征，作者使用的是ResNet；Feature Pyramid部分借鉴了FPN(feature pyramid networks， https://arxiv.org/abs/1612.03144)，将BackBone提取出的三个不同尺寸的特征图进行融合，并输出五个不同尺寸的特征图像；最后将这五个特征图都拿去做识别回归，得到检测结果。

第三部分中的Classification和Regression好理解，分别是目标分类和bounding box 的回归，夹在中间的Centerness是作者的主要创新点之一，旨在减少低分目标框，具体的后边会说。

2.2 BackBone

代码里边的BackBone用的是ResNet50，这个东西我就不展开了，我们可以看一下代码上实现。

下图是ResNet网络的结构，其中，我把作者用到的输出层标注出来了，对应图1 -> Backbone的$C3$，$C4$，$C5$

图2. ResNet网络结构（图源：ResNet原文）
这是代码中的ResNet50实现：

class ResNet(nn.Module):
    def __init__(self, block, layers, num_classes=1000,if_include_top=False):
        self.inplanes = 64
        super(ResNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3,
                               bias=False)  #对应前图2上conv1
        self.bn1 = nn.BatchNorm2d(64)
        self.relu = nn.ReLU(inplace=True)
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        self.layer1 = self._make_layer(block, 64, 3)    #对应前图上conv2_x
        self.layer2 = self._make_layer(block, 128, 4, stride=2)    #对应前图2上conv3_x
        self.layer3 = self._make_layer(block, 256, 6, stride=2)    #对应前图2上conv4_x
        self.layer4 = self._make_layer(block, 512, 3, stride=2)    #对应前图2上conv5_x
        self.avgpool = nn.AvgPool2d(7, stride=1)
        if if_include_top:
            self.fc = nn.Linear(512 * block.expansion, num_classes)
        self.if_include_top=if_include_top
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

推理代码：

def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu(x)
        x = self.maxpool(x)

        x = self.layer1(x)
        C3 = self.layer2(x)
        C4 = self.layer3(C3)
        C5 = self.layer4(C4)
        return （C3，C4，C5）
1
2
3
4
5
6
7
8
9
10
11

这里提一下，论文里的输入图像$x$尺寸是$[800,1024]$，$C3$、$C4$、$C5$的尺寸分别是$[100,128]$, $[50,64]$, $[25,32]$，对于输入来说，$C3$、$C4$、$C5$的stride分别是$8$、$16$、$32$，这也是图1最左侧那些数字的含义。
在实际推理的时候，却不用严格按照$[800,1024]$来输入，因为是Backbone是全卷积结构，对输入图像的尺寸没有苛刻的硬性要求，比如输入尺寸$[885,1000]$也是ok的。

2.3 Feature Pyramid

Feature pyramid network是CVPR2017年的一篇文章，它在目标检测中融入了特征金字塔，提高了目标检测的准确率，尤其体现在小物体的检测上。FCOS作者使用FPN的原因是，FPN可以将不同尺度的目标分开检测，达到一个分而治之的效果。具体是怎么“分而治之”，这一节后边讲，先说一下FPN具体是什么东西，怎么实现的。
![在这里插入图片描述](https://img-blog.csdnimg.cn/f24f722260f74f1ea2797f05ce916f40.png#pic_center

图3. FPN结构（图源：FPN原文）

图3 坐上部分对应的是图1的Backbone，是一个全卷积特征提取的过程，右边是一个自上而下的上采样+特征融合。

以图1来说，$C5$经过一个$1\ast 1$卷积得到$P5$，$P3$经过$1\ast 1$卷积，再与$P5$相加，得到$P4$，这里就有一个特征融合的过程了，由于$P4$和$P5$的尺寸不一样，正好差了2倍，所以$P5$要经过2倍的上采样才能与$P4$相加，上采样使用的是最近邻采样；相加之后得到的$P5$还要经过一个$3\ast 3$卷积层才能去做预测，就是图3红色的那部分。同理，$P3$则是由$C5$和$P4$融合而来。除此之外，FCOS作者做了一些改动，就是增加了$P6$和$P7$，他们由$P5$经过$1\ast 1$卷积层而来，stride为2。

上边，为什么要进行$1\ast 1$卷积和$3\ast 3$卷积呢？
我的理解是：$1\ast 1$卷积核，最明显的目的是解决 $C3$、$C4$、$C5$ 通道数不同的问题，因为后边相加需要通道数相同才行，当然$1\ast 1$卷积还有一些其他好处，我这里就不展开了，有兴趣的可以跳转这里；$3\ast 3$卷积的作用，FPN原文是这么说的（下边的英文），意思是降低上采样带来的混叠效应。

we append a 3×3 convolution on each merged map to generate the final feature map, which is to reduce the aliasing effect of upsampling.

从FPN获取最终的特征图后，就要塞进Head获得最终结果了，FPN最后输出5个特征图，那么这5个特征图都要塞进Head网络。

好，到这里，FPN是怎么实现的说完了，我当时看到这里的时候，就有疑问，我拿啥去测？框呢，为啥没有候选框？
别急，下一小节慢慢道来

2.4 Classification+Centerness+Regression

如果是anchor based的算法，此时会以特征点为中心，划分出anchor boxes拿去回归；而FCOS直接对特征点对应原图的边框都进行回归。什么意思呢？就是先把特征点映射回原图像上，然后直接对这个点进行分类、回归。注意这里虽然是针对一个特征点进行预测，不代表FCOS是没有候选框的，或者说该特征点的感受野就是候选框。

映射关系为：$$(x_{origin},y_{origin})=(x_{feat}s+\frac{s}{2},y_{feat}s+\frac{s}{2})$$
其中，$(x_{feat},y_{feat})$为特征点坐标，$(x_{origin},y_{origin})$映射回原图后的坐标，$s$为采样倍数stride

再举个例子，现在输入图像是640x640，这个特征图的stride是32，那么这个特征图的尺寸就是20x20，现在我们将特征点(3,4)映射回去，得到该特征点对应的候选框中心为(112,144)，这个候选框的尺寸是32x32

此外，候选框的个数就是FPN输出的5个特征图上所有特征点数量，一个特征点对应一个候选框。

好了，说完候选框的由来，继续说由特征图生成最终结果。

Head网络也是全卷积网络，中间是什么结构我就不管了，主要关注模型的输出。输出结果分为三个部分，Classification、Centerness和Regression。
Classification：表示分类结果，尺寸与类别数量有关，如果是20类，就是每一类的得分；
Regression：表示目标位置偏移，相对于候选框，四个值分别表示相对于候选框的上下左右偏移；假设回归结果是$(l,t,r,b)$，候选框左上角坐标是$(x1,y1)$，右下角坐标是$(x2,y2)$，那么回归后的目标位置就是：左上：$(x1+l,y1+t)$，右下：$(x2+r,y2+b)$

图4. l,r,t,b的含义 `Centerness`：表示Regression结果与候选框中心的偏离度，作者认为**距离目标中心较远的位置产生很多低质量的预测边框**，因此搞了个Centerness来剔除这部分低质量框。回归后的目标框中心相对于原来的中心肯定有偏移，除非$l=r,t=b$，Centerness就是衡量这个偏离多远的一个指标，是一个0~1之间的数字，值越小表示偏离越大。在后处理中，它还要与Classification结果相乘，作为最终的分类置信度，这个值才拿去与设置的阈值比较。

3. 如何训练

FCOS训练的时候，首先要走一遍推理流程，然后根据推理结果和标签值计算损失函数，最后进行反向传播。

所以，这一节最主要的还是损失函数的计算，这个又牵扯到anchor free里边比较特殊的一部分：正负样本的划分，因此，这一部分主要讲解两个问题：正负样本如何划分和LOSS函数

3.1 正负样本如何划分

如果你了解anchor based检测算法，比如yolov3/4/5，那你应该知道他们正负样本划分的依据是IOU，但是FCOS不是这么划分，因为它压根不计算IOU。FCOS的正负样本划分可以分为三步：
1、位置
再看一眼前边的映射公式，最朴素的思想就是：如果一个特征点对应的$(x_{origin},y_{origin})$落在gt内，就认为该特征点为正样本。例如下图

图5. 正负样本的初步划分

黄色点都是正样本，他们都在gt里边，白色点均为负样本。

在源码中，发现了作者进行了改进，并不是所有在gt内的特征点都给正样本标签，而是以gt中心画个圆，半径是1.5倍的stride，在该圆内的特征点作为正样本，这样可以避免边缘区的低质量正样本。

无论画不画圆，这种方法都有一个问题，如果一个特征点同时落在两个gt中，如何分配标签呢？作者称这种现象为ambiguous point（如下图），我们针对这个问题进行改进

图6. ambiguous point示意图 **2、尺寸** FCOS非常巧妙地利用FPN层解决`ambiguous point`这个问题，FPN有两个作用：一、多尺度的特征融合，二、分而治之。FCOS就是利用了FPN的分而治之的作用，把多个尺度的目标分到FPN的多个输出特征层。

具体来说，FPN输出共5层特征层，分配到每层特征层上目标的长宽限制范围依次为：(-1, 64), (64, 128), (128, 256),(256, 512),(512, INF) ，对应的stride分别是[128,64,32,16,8]。

作者在代码中是这么实现的，计算5个特征层各个特征点与该gt的$(l,t,r,b)$，保留$(l,t,r,b)$四个值均大于0的点（特征点在gt内部）；计算$(l,t,r,b)$中的最大值，该最大值落在哪个区间，就由哪个特征层的特征点去预测。

如果还存在ambiguous point，俩gt尺寸相近且有重叠部分，就将小的那个gt的标签赋给这个特征点。这个地方乍一看处理的很粗糙，但是结合下边的Centerness就好很多。

3. Centerness

又讲到Centerness了，待会儿还要提到它，因为损失函数里边还有他一部分呢。

前边提到一次，作者认为距离目标中心较远的位置产生很多低质量的预测边框，即处于gt的边缘，提取的图像特征不正确，自然检测出低质量的框。在训练部分，FCOS会每个正样本赋予一个Centerness标签，用于表示该特征点的质量，计算方式为：$$centernes{s}^{\ast }=\sqrt{\frac{min(l^{\ast },r^{\ast })}{max(l^{\ast },r^{\ast })}\ast \frac{min(t^{\ast },b^{\ast })}{max(t^{\ast },b^{\ast })}}$$centerness越小，特征点离gt中心越远，质量越低。

图7. centerness的含义
虽然一个gt，可以会给好多个特征点赋予正样本的标签，但是根据Centerness，就能把这些正样本区别开来。

3.2 Loss函数

这里偷个懒，直接放论文里的公式了

说实话，没太看懂，别的博文也都只是贴出来，不给个讲解，好在我翻代码大致懂了loss函数咋算的

loss函数分为三部分，分类loss，位置loss和centerness loss。

• 分类loss：采用focal loss，一种改进版的交叉熵，就是给不同样本赋予不同的权重，对于难学习的样本，权重大一点；
• 位置loss：计算iou损失
• centerness loss：标签值是公式计算出来的，跟网络输出的centerness计算交叉熵