RetinaNet，SSD，YOLOv3，Faster R-CNN等都是Anchor-based的檢測器，即需要預定義的Anchor boxes來進行訓練，FCOS是一種Anchor-free和Proposal-free的檢測器，即不需要預定義Anchor boxes來進行訓練，從而節省了對計算資源的占用，
根據我的理解，FCOS和Faster R-CNN的區別主要表現在：
(1) Faster R-CNN是每個點提出N個Proposal，N一般等于9(預設了3種長寬比例，3種尺寸因此是9個Proposal)，每一個Proposal的類別如何確定呢？就需要計算Proposal和GT Box的IOU了，IOU達到一定的程度，Proposal就算是這個GT Box的類，要求這個Proposal回歸到這個GT Box；而FCOS每個點只提出一個Proposal，這個Proposal的類別如何確定？就是這個點在哪一個GT Box里面，它提出的Proposal就屬于哪一個GT Box的類，當然也要求這個Proposal回歸到這個GT Box，但是感覺Faster R-CNN的分類更好訓練一些，畢竟Proposal和GT Box有比較大的IOU，FCOS靠近GT Box中心的點的類還比較好訓練，距離中心比較遠的點估計不好訓練吧，
(2) FCOS多出來一個Center-ness：
這是因為距離目標中心越遠的位置預測出的Proposal質量越低，所以FCOS增加了一個分支預測Center-ness，越靠近GT Box的中心，這個Center-ness的值就越接近1，
預測的時候結合對應的分類分數以及Center-ness的值來對Proposal進行排序，從而抑制了距離目標中心越遠的位置預測出的Proposal，這種方法是很巧妙的，值得借鑒，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/65633.html
標籤：其他