最新1904CVPR:FCOS—全卷积单阶段目标检测超越YOLOv3
2019-04-04 19:25
1221 查看
FCOS:Fully Convolutional One-Stage Object Detection
https://arxiv.org/pdf/1904.01355.pdf
简述
几乎所有最先进单阶段目标检测RetinaNet,SSD,YOLOv3和更快的R-CNN都依赖于anchors(预选框)。
FCOS取消了anchors,通过消除预定义的anchor boxes,即proposal free。FCOS完全避免了与anchor相关的复杂计算。更重要的是,我们认为所有超级参数都与通常非常敏感的最终检测性能有关。通过唯一的后处理非最大抑制(NMS),FCOS优于以前的基于锚的一阶段探测器,而且更加简单。
方法
FCOS网络结构:
使用FPN进行FCOS的多级预测,特征金字塔上下采样构建多级特征图
FCOS的网络架构,其中C3,C4和C5表示骨干网络的特征图,P3到P7是用于最终预测的特征级别。 H×W是要素图的高度和宽度。 ‘/ s’(s = 8,16,…,128)是特征映射水平与输入图像的下采样比。
例如,所有数字都是使用800×1024输入计算的。
结果对比
FCOS
并没有看到作者直接比较FCOS与YOLOv3,关于帧率需要后自行测试,取消了单阶段学习两阶段下预先设置anchor的处理,新思路。
YOLOv3
相关文章推荐
- FCOS: 最新的one-stage逐像素目标检测算法
- 目标检测最新方法介绍
- Yolov3目标检测边框预测详解
- 反卷积网络概念及其于目标检测中的应用
- 深度学习目标检测最全最新的方法paper和代码
- CVPR 2016论文快讯:目标检测领域的新进展
- 目标检测最新方法介绍
- 目标检测之网络篇(1)【FCN-全卷积网络】
- R-FCN:基于区域的全卷积网络目标检测
- 实用教程!使用YOLOv3训练自己数据的目标检测
- 使用Caffe完成图像目标检测 和 caffe 全卷积网络
- 【显著性目标检测】CVPR2018 显著性检测领域论文整理解读(Salient Object Detection)
- CVPR2017 2D目标检测相关论文
- 目标检测最新进展总结与展望
- 数据挖掘、目标检测中的cnn和cn---卷积网络和卷积神经网络
- CVPR 2016论文快讯:目标检测领域的新进展
- CVPR 2017 论文集锦(目标检测与目标追踪相关)
- 2016CVPR目标检测论文简介
- 最新开源目标检测与物体识别框架,已刷新COCO单模型算法纪录
- 目标检测 | YOLOv3开启的回归网络下的多尺度策略