1 介绍

FCOS是一个Anchor Free模型，基于FCN的逐像素目标检测算法，实现了无提议(Proposal free)的解决方案，并且提出了中心度Center ness的思想。

2 优势

1. 1. 通过去除Anchor，完全避免了Anchor的复杂运算，节省了训练过程中大量的内存占用，将总训练内存占用空间减少了2倍左右。
2. 2. FCOS的性能优于现有的一阶段检测器
3. 3. FCOS可用作二阶段检测器Faster RCNN中的RPN，并且很大程度上都要优于RPN。
4. 4. FCOS解决了目标框重叠问题。

3 网络原理

结构图如下：

可以看到分为三部分：

1. 1. Backbone：提取特征
2. 2. Feature Pyramid：采用FPN思想，进行多尺度融合，解决目标框重叠问题。
3. 3. Classfication+Center-ness+Regression：实现相应的检测功能，具体在后面介绍
   下面一个个介绍：

3.1 Backbone

这里的特征提取网络可以根据需求定义，比如RetNet，AlexNet等等…

原文图中以ResNet50为例，原图尺寸为3*800*1024。c3-c5的特征层，分辨率相当于原图的1/8、1/16和1/32。

3.2 Feature Pyramid

3.2.1 过程

这里采用FPN的思想。根据代码来看，具体操作及变化如上图所示。最终，P3-P7每一层经过卷积操作都输出一个Headers，相当于检测头，用于后面网络实现检测功能。**所有检测头的权重是共享的，即P3到P7共用一个Head。

3.2.2 目标框重叠问题

问题描述：如图右侧，网球拍和人的中心点在同一网格内，那么该网格的类别究竟是哪一个？

传统的是一种解决办法是：遇到该情况，默认分配给体积小的，如上图的网球拍。

但是这样就无法对人进行预测，这里FCOS采用FPN结构解决了这个问题：

FPN会采用多个特征图，其中高层特征层的特征图更加关注语义信息，容易忽略小目标。而低层特征图更加关注几何信息，对大目标检测不好。因此，这里用高层特征图预测大目标，如P7预测人体，而低层特征图预测小目标，如P3预测网球拍。

该文章的正样本匹配规则也有利于目标框重叠问题的缓解，后面介绍。

3.3 Classfication+Center-ness+Regression

该部分有三个分支：

1. 1. Classification：HxWxC，在预测特征图的每个位置上都会预测C个score参数(C是类别个数)。
2. 2. Regression：HxWx4，特征图每个位置预测4个参数(l ,t, r, b)，其中l是与目标左侧的距离，r是与目标右侧的距离，t是与目标上侧的距离，b是与目标下侧的距离。注意，全都是在特征图上。
3. 3. Center-ness：HxWx1，特征图每个位置预测1个参数，反映的是特征图上的某一点距离目标中心的远近程度，它的值域在0~1之间，距离目标中心越近center-ness越接近于1。
   下面分别详细介绍：

3.3.1 Classification

3.3.2 Regression

HxWx4，特征图每个位置预测4个参数(l ,t, r, b)，其中l是与目标左侧的距离，r是与目标右侧的距离，t是与目标上侧的距离，b是与目标下侧的距离。

这里解决两个问题:

1. 1. 测试时，使用预测得到的参数转化为原图尺度上的bbox坐标
2. 2. 训练时，训练集中利用真实的GT，得到regresion参数，用以损失的计算
   这两个是逆问题，以1来总结：
3. 如上图所示，预测的Regression参数是(l, t, r, b)，特征图相对原图下采样了s倍，特征图上某个网格点映射回原图的坐标是(Cx, Cy)，这样Xmin, Xmax, Ymin,Ymax的坐标如何计算就很明显了：
4. 
5. 问题2就是把问题1中的公式逆着使用，得到四个regersion参数

3.3.3 Center-ness(中心度)

HxWx1，预测特征图上每个 位置都有一个参数 ，反映的是特征图上的某一点距离目标中心的远近程度，它的值域在0~1之间，距离目标中心越近center-ness越接近于1。

训练时，我们直接预测得到参数与训练集标签中的该值进行损失计算。那么训练集真实标签中的Center-ness值如何得到的呢：

假设，l*, r*, t*, b*是真实bbox坐标计算得到的regression参数(如何计算上面介绍了)。那么，我们用下面的公式来计算：

至于为何采用这个公式？

先看左右偏差部分：

现在，假设右偏移比较小(即r*<l*)，那么该公式应该表示为r*/l*。我们中心点越靠近右侧，那么r*越小，l*越大，导致该公式越小，越接近于0。越靠近中心，r*和l*越接近，越接近于1。当左偏移比较小时同理。

上下偏差部分与左右偏差是一致的，也不再多说了。

3.4 后处理

在网络后处理部分筛选高质量bbox时，会将预测的目标class score与center-ness相乘再开根，然后根据得到的结果对bbox进行排序，只保留分数较高的bbox。

这样做的目的是筛掉那些目标class score低且预测点距离目标中心较远的bbox，最终保留下来的就是高质量的bbox。

这里每个网格都有C个class score，使用最高的那个

4 损失函数

我们再了解一下损失函数，上面网络预测有三个分支：Classfication，Center-ness，Regression。因此，损失也是三部分，如下图所示：

是匹配到的正样本的数量。

一行一部分，我们分别总结一下：

4.1 分类损失

其中，分类损失 采用二值交叉熵损失配合Focal Loss，所有正样本和负样本都参与。

代表在特征图(x,y)点处预测的每个类别的score。 代表在特征图(x,y)点对应的真实类别标签。

4.2 定位损失

其中，定位损失 giou_loss，计算损失时只有正样本参与。

当在(x,y)点为正样本时为1，否则为0。 表示在特征图(x,y)点处预测的regression信息， 表示在特征图(x,y)点对应的regression参数。

4.3 center-ness损失

其中，center-ness损失 采用二值交叉熵损失，计算时只有正样本参与。

表示在特征图(x,y)点处预测的center-ness， 表示在特征图(x,y)点对应的真实center-ness。

上面定位损失和center-ness损失只用到了正样本，这里就又又出现了一个新的疑问：如何区分正负样本。

5 正负样本匹配

这里正负样本匹配并不知直接说在bbox框内即为正样本，否则都为负样本。而是采用sub-box，在sub-box内都是正样本，不在都是负样本，如下图所示：

有左侧原图img，目标框bbox，中心坐标周围形成的举行sub-box。右侧特征图feature_mmap，原图映射到特征图的sub-box。

假设中心坐标是(x,y)，那么sub-box计算公式如下：

其中，s是特征图相对原图的下采样倍率。r是超参数控制距离GT中心的远近，COCO数据集中设置为1.5。

具体该公式是什么含义，从上面的图中很容易看出，就是以中心点为中心，在周围形成一个限定区域，大小与取得的超参数r有关。

一个思考：正负样本究竟是如何应用到损失计算中的？

可能是制作训练标签时，所有特征图网格点映射到原图。如果，其中原图中某点在sub-box中，特征图对应的该点为正样本，参与分类损失，定位损失和center-ness损失计算，否则为负样本参与分类损失计算。

6 参考文章

https://blog.csdn.net/qq_37541097/article/details/124844726

https://zhuanlan.zhihu.com/p/121782634

7 代码解读

这里重点总结一下：

1. 1. 损失函数
2. 2. 文章中不太明白的地方，如是如何公用一个head的

7.1 Head

Head部分的生成代码在model/head.py中，forward如下：

    def forward(self, inputs):  # input p3-p7
        cls_logits=[]  # list contains five [batch_size,class_num,h,w]
        cnt_logits=[]  # list contains five [batch_size,1,h,w]
        reg_preds=[]  # list contains five [batch_size,4,h,w]
        for index, P in enumerate(inputs):  # P3, P4, P5, P6, P7
            cls_conv_out=self.cls_conv(P)
            reg_conv_out=self.reg_conv(P)
            cls_logits.append(self.cls_logits(cls_conv_out))
            if not self.cnt_on_reg:
                cnt_logits.append(self.cnt_logits(cls_conv_out))
            else:
                cnt_logits.append(self.cnt_logits(reg_conv_out))
            reg_preds.append(self.scale_exp[index](self.reg_pred(reg_conv_out)))
        return cls_logits, cnt_logits, reg_preds

上面中，for循环遍历的是P3-P7层，每一次循环都输出三个特征层，分别代表分类，定位，和Center-ness。输出结果添加到列表cls_logits，cnt_logits，reg_preds中。最终将三个列表返回。

之后利用这三个列表进行计算损失：

 out = self.fcos_body(batch_imgs)
 targets = self.target_layer([out, batch_boxes, batch_classes])
 losses = self.loss_layer([out, targets])
 return losses

从上面看可以看出，共用一个Head，其实是P3-P7各自生成的代表分类，定位，Center-ness的特征层合并到一起去计算损失。

7.2 损失函数

主代码在model/loss.py中，forward如下：

    def forward(self,inputs):
        '''
        inputs list
        [0]preds:  ....
        [1]targets : list contains three elements [[batch_size,sum(_h*_w),1],[batch_size,sum(_h*_w),1],[batch_size,sum(_h*_w),4]]
        '''
        preds , targets = inputs
        cls_logits,cnt_logits,reg_preds=preds
        cls_targets,cnt_targets,reg_targets=targets  # [batch_size, num_w, 1], [batch_size, num_w, 1], [batch_size, num_w, 4]
        mask_pos=(cnt_targets > -1).squeeze(dim=-1)  # [batch_size,sum(_h*_w)]
        cls_loss=compute_cls_loss(cls_logits,cls_targets,mask_pos).mean()  # []
        cnt_loss=compute_cnt_loss(cnt_logits,cnt_targets,mask_pos).mean()
        reg_loss=compute_reg_loss(reg_preds,reg_targets,mask_pos).mean()
        if self.config.add_centerness:
            total_loss=cls_loss+cnt_loss+reg_loss
            return cls_loss,cnt_loss,reg_loss,total_loss
        else:
            total_loss=cls_loss+reg_loss+cnt_loss*0.0
            return cls_loss,cnt_loss,reg_loss,total_loss

这里cls_targets是根据训练集标签生成的类别特征，FPN生成的Head共有num_w个窗口，窗口不包含物体为0，包含物体为类别标签。

cnt_targets是Center-ness特征，不包含物体为-1，包含为计算的center-ness值。

reg_targets是回归位置参数特征，不包含物体为-1，包含为计算的回归参数。

mask_pos为掩码，(cnt_targets > -1).squeeze(dim=-1)即为包含物体的窗口为True，否则为False。

下面三个函数计算三种损失