[論文レビュー] FCOS: Fully Convolutional One-Stage Object Detection

Zhi Tian, Chunhua Shen+2 more|arXiv (Cornell University)|Apr 2, 2019

Advanced Neural Network Applications参考文献 32被引用数 799

ひとこと要約

FCOSは、アンカーと提案を使わない完全畳み込みのワンステージ物体検出器で、マルチレベル予測とセンター性ブランチを利用し、単一モデルのワンステージ検出器の中で最先端の結果を達成。例えばCOCOで44.7 APと改善を達成。

ABSTRACT

We propose a fully convolutional one-stage object detector (FCOS) to solve object detection in a per-pixel prediction fashion, analogue to semantic segmentation. Almost all state-of-the-art object detectors such as RetinaNet, SSD, YOLOv3, and Faster R-CNN rely on pre-defined anchor boxes. In contrast, our proposed detector FCOS is anchor box free, as well as proposal free. By eliminating the predefined set of anchor boxes, FCOS completely avoids the complicated computation related to anchor boxes such as calculating overlapping during training. More importantly, we also avoid all hyper-parameters related to anchor boxes, which are often very sensitive to the final detection performance. With the only post-processing non-maximum suppression (NMS), FCOS with ResNeXt-64x4d-101 achieves 44.7% in AP with single-model and single-scale testing, surpassing previous one-stage detectors with the advantage of being much simpler. For the first time, we demonstrate a much simpler and flexible detection framework achieving improved detection accuracy. We hope that the proposed FCOS framework can serve as a simple and strong alternative for many other instance-level tasks. Code is available at:Code is available at: https://tinyurl.com/FCOSv1

研究の動機と目的

• 物体検出を意味的セマンティックセグメンテーションに類似したピクセルごとの予測として再定式化する。
• トレーニングと推論を簡素化するためにアンカーボックスとそれに関連するハイパーパラメータを排除する。
• マルチレベルのFPNを活用してリコールを改善し、重複するボックスから生じる曖昧さを低減する。
• 低品質な検出を抑制し精度を高めるセンター性ブランチを導入する。
• 他のインスタンス単位のタスクに対する強力なベースラインおよび拡張としての性能を示す。

提案手法

• 各ピクセルで4次元ベクトル（l, t, r, b）を予測し、位置に対する境界ボックスの辺を符号化する。
• FPNのマルチレベル特徴マップ（P3–P7）を使用してオブジェクトスケールをカバーし、レベルごとにm_i閾値で回帰を制限する。
• 分類には focal loss を、回帰には IoUベースの損失を適用し、正規化と学習可能なレベルごとの指数ベースを用いる。
• 1層のセンター性ブランチを導入し、ピクセルが物体中心にどれだけ近いかをスコア化し、推論時にこのスコアを分類信頼度と掛け合わせる。
• 正例サンプルはグラウンドトゥルースボックス内のピクセルとして訓練し、オーバーラップ時には単純な曖昧性ルール（面積が最小のボックス）を使用する。
• 追加ヘッドにGNを用いて安定性を確保し、公正な比較のためにRetinaNet風の訓練/テストハイパーパラメータを再利用する。

実験結果

リサーチクエスチョン

• RQ1 意味セグメンテーションに類似したピクセル単位のアンカーフリーフレームワークで物体検出を効果的に解決できるか。
• RQ2 アンカーボックスと関連ハイパーパラメータを排除することで、精度を犠牲にすることなく単純さが向上するか。
• RQ3 FPNを介したマルチレベル予測は、アンカーフリ-detectorで重複するグラウンドトゥルースボックスに起因するリコールと曖昧さの問題を緩和できるか。
• RQ4 センター性シグナルは低品質な検出を効果的に抑制し、全体の性能を向上させるか。
• RQ5 FCOSは強力なベースラインおよび述語二段検出器のRPNとして機能し得るか。

主な発見

• FCOSは同じ訓練/テスト設定の下で、アンカーベースの検出器と競合的でしばしばそれを上回る性能を達成する（例：APはRetinaNetと同等または上回る）。
• ResNet-50＋FPNのバックボーンでは、同一設定下でFCOSは一部のアンカーベースの counterparts より高いARを達成する。
• センター性なしでは、設定に応じてAPが約33.5–36.3。センター性ありではAPが37.1に向上し、改善で38.1–38.6に達する。
• 報告された最良の単一モデル単一スケールの結果は44.7 APに達し、ResNeXt-64x4d-101-FPNで改善を示し、COCO test-devでアンカーベースの RetinaNetを2.4 AP上回る。
• マルチレベル予測により、曖昧なサンプル率が23.16%（FPNなし）から7.14%（FPNあり）に低下し、カテゴリ間の重複のみを考慮すると約1.5%に近づく。
• FCOSはインスタンスレベルのタスクに対してシンプルで柔軟なベースラインとして、また二段検出器の有効なRPN代替として強力な可能性を示す（例：AR100で8.1%のAR利得）。