mmdetection最小复刻版(六)：FCOS深入可视化分析——#mmdetection学习

本文转载自
https://www.zybuluo.com/huanghaian/note/1747551
github： https://github.com/hhaAndroid/mmdetection-mini
欢迎star

部分内容有删改

---

0 概要

论文名称： FCOS: Fully Convolutional One-Stage Object Detection
论文地址： https://arxiv.org/pdf/1904.01355v1.pdf

官方代码地址：https://github.com/aim-uofa/AdelaiDet/

FCOS是目前最经典优雅的一阶段anchor-free目标检测算法，其模型结构主流、设计思路清晰、超参极少和不错的性能使其成为后续各个改进算法的baseline，和retinanet一样影响深远，故非常有必要对其进行深入分析。

一个大家都知道的问题，anchor-base的缺点是：超参太多，特别是anchor的设置对结果影响很大,不同项目这些超参都需要根据经验来确定，难度较大。 而anchor-free做法虽然还是有超参，但是至少去掉了anchor设置这个最大难题。fcos算法可以认为是point-base类算法也就是特征图上面每一个点都进行分类和回归预测，简单来说就是anchor个数为1的且为正方形anchor-base类算法。

在目前看来，任何一个目标检测算法的核心组件都应包括如下模块：

• backbone
• neck
• 多尺度head
• 正负样本定义
• 正负样本平衡采样
• loss设计

目前除了正负样本平衡采样不一定有外，其他每个环节都是目前研究重点，到处存在不平衡问题，而本文重点是在正负样本定义上面做文章。

1 fcos和retinanet算法对比分析

FCOS结构和retinanet几乎相同，但是有细微差别。

retinanet的结构大概可以总结为：

• resnet输出是4个特征图，按照特征图从大到小排列，分别是c2 c3 c4 c5，stride=4,8,16,32。Retinanet考虑计算量仅仅用了c3 c4 c5。
• 先对这三层进行1x1改变通道，全部输出256个通道；然后经过从高层到底层的最近邻上采样add操作进行特征融合，最后对每个层进行3x3的卷积，得到p3,p4,p5特征图。
• 还需要构建两个额外的输出层stride=64,128,首先对c5进行3x3卷积且stride=2进行下采样得到P6，然后对P6进行同样的3x3卷积且stride=2，得到P7

下面介绍fcos和retinanet算法的区别。

1.1 resnet的style模式区别

左边是fcos配置，右边是retinanet配置。

(1) resnet骨架区别

在resnet骨架中，style='caffe’参数和style='pytorch’的差别就在Bottleneck模块，该模块的结构如下：

主干网络是标准的1x1-3x3-1x1结构，考虑stride=2进行下采样的场景，对于caffe模式来说，stride参数放置在第一个1x1卷积上，对于pytorch模式来说，stride放在第二个3x3卷积上：

if self.style == 'pytorch':
        self.conv1_stride = 1
        self.conv2_stride = stride
    else:
        self.conv1_stride = stride
        self.conv2_stride = 1

唯一区别就是这个。至于为啥存在caffe模式，是因为早期mmdetection采用了detectron权重(不想重新训练imagenet)，其早期采用了caffe2来构建模型，后续detectron2才切换到pytorch中，属于历史遗留问题。

(2) 骨架训练策略区别

注意看上面的对比配置，可以发现除了上面说的不同外，在caffe模式下，requires_grad=False，也就是说resnet的所有BN层参数都不更新并且全局均值和方差也不再改变，而在pytorch模式下，除了frozen_stages的BN参数不更新外，其余层BN参数还是会更新的。我不清楚为啥要特意区别。

总的来说，在caffe模式下训练的内存肯定会少一些，但是效果究竟谁的更好，看了下对比结果发现差不多。

1.2 FPN结构区别

和retinanet相比，fcos的FPN层抽取层也是不一样的，需要注意。

retinanet在得到p6,p7的时候是采用c5层特征进行maxpool得到的(对应参数是add_extra_convs=‘on_input’,)，而fcos是从p5层抽取得到的(对应参数是extra_convs_on_inputs=False)，而且其还有relu_before_extra_convs=True参数，也就是p6和p7进行卷积前，还会经过relu操作，retinanet的FPN没有这个算子(C5不需要是因为resnet输出最后就是relu)。从实验结果来看，从p5抽取的效果是好于c5的，baseline的mAP从38.5提高到38.9。

1.3 数据归一化区别

当切换style='caffe’时候，需要注意图片均值和方差也改变了：

# pytorch
mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True
# caffe
mean=[103.530, 116.280, 123.675], std=[1.0, 1.0, 1.0], to_rgb=False

1.4 head模块区别

和retinanet相比，fcos的head结构多了一个centerness分支，其余也是比较重量级的两条不共享参数的4层卷积操作，然后得到分类和回归两条分支。

2 fcos算法深入分析

2.1 fcos输出格式

fcos是point-base类算法，对于特征图上面任何一点都回归其距离bbox的4条边距离，

假设x是特征图上任意点坐标，x0y0x1y1是某个gt bbox在原图上面的坐标，那么4条边的边界(都是正数)其实很好算，公式如上所示。需要注意的是由于大小bbox且数值问题，一般都会对值进行变换，也就是除以s，主要目的是压缩预测范围，容易平衡分类和回归Loss权重。

如果某个特征图上面点处于多个bbox重叠位置，则该point负责小bbox的预测。

2.2 正负样本定义

一个目标检测算法性能的优异性，最大影响因素就是如何定义正负样本。而fcos的定义方式非常mask sense，通俗易懂。主要分为两步：
(1) 设置regress_ranges=((-1, 64), (64, 128), (128, 256), (256, 512),(512, INF)，用于将不同大小的bbox分配到不同的FPN层进行预测即距离4条边的最大值在给定范围内
(2) 设置center_sampling_ratio=1.5,用于确定对于任意一个输出层距离bbox中心多远的区域属于正样本，该值越大，扩张比例越大，正样本区域越大

为了说明其重要性，作者还做了很多分析实验。

(1) 为啥需要第一步？

regress_ranges的意思是对于不同层仅仅负责指定范围大小的gt bbox，例如最浅层输出，其范围是0-64，表示对于该特征图上面任何一点，假设其负责的gt bbox的label值是left、top、right和bottom，那么这4个值里面取max必须在0-64范围内，否则就算背景样本。

为啥需要限制层回归范围？目的应该有以下几点：

1. 在SNIP论文中说到，CNN对尺度是非常敏感的，一个层负责处理各种尺度，难度比较大，采用FPN来限制回归范围可以减少训练难度
2. 提高best possible recall

通常我们知道anchor设置的越密集，理论上召回率越高，现在fcos是anchor-free，那么需要考虑理论上的最好召回率是多少，如果理论值都比较低，那肯定性能不行。best possible recall定义为训练过程中所有GT的最大召回率，如果训练过程中一个GT被某个anchor或者location匹配上那么就认为被召回了。

low-quality matches意思是retinanet配置中的min_pos_iou参数，默认是0。在不使用low-quality matches时候，对于某些gt，如果其和anchor的最大iou没有超过正样本阈值，那么就是背景样本，一开启low-quality matches则可能能够捞回来，开启这个操作可以显著提高BPR，从表中也可以看出，从88.16变成99.32。至于在ALL模式下为啥不是1，作者分析原因是有些bbox特别小并且挨着，经过下采样后在同一个位置，导致出现相互覆盖。

对于FCOS，即使在不开启FPN时候，其BPR也很高，因为其bbox中心范围内都算正样本，BPR肯定比较高，在开启FPN后和retinanet相比差别不大，对最终性能没有影响。

为了强调FPN层的作用性，作者还对模糊样本数进行分析：

模糊样本就是某个特征图位置处于多个gt bbox重叠位置，也就是图表中的大于1个数。可以发现在开启FPN后，模糊样本明显减少，因为不同大小的gt bbox被强制分配到不同层预测了，当结合中心采样策略后可以进一步提高。

(2) 为啥需要第二步？

中心采样的作用有两个

1. 减少模糊样本数目
2. 减少标注噪声干扰

bbox标注通常都有噪声或者会框住很多无关区域，如果这些无关区域也负责回归则比较奇怪，这其实是目前非常常用的处理策略，在文本检测领域广泛应用。

(a)是早期做法也就是对于本文不采用中心采样策略的做法；
(b)是本文做法；
©是centernet做法；
(d)是centernet改进论文做法。
从这里可以看出，(d)的做法应该比fcos更加mask sense，可解释性更强。

总的来说，作者认为FCOS的功臣可以归功于FPN层的多尺度预测和中心采样策略。

(3) 核心代码分析
为了方便理解中心采样策略代码，我对代码进行了分解，具体在tools/fcos_analyze/center_samper_demo.py。其核心代码逻辑是：

1. 利用meshgrid函数获取特征图上面每个点的2d坐标
2. 扩展维度，使得所有参数计算的tensor维度相同，方便后续计算
3. 如果不采用中心采样策略，则直接对特征点上面每个点计算和所有gt bbox的left/top/right/bottom值。然后取4个值中的最小值，如果小于0，则该point至少有一条边不再bbox内部，属于背景point样本，否则就是正样本
4. 如果采用中心采用策略，则基于gt bbox中心点进行扩展出正方形，扩展范围是center_sample_radius×stride，正方形区域就当做新的gt bbox，然后和(3)步骤一样计算正样本即可。还需要注意一个细节：如果扩展比例过大，导致中心采样区域超过了gt bbox本身范围了，此时需要截断操作

以上操作就可以确定哪些区域是正样本了，我仿真的结果如下所示：

蓝色是gt bbox，白色区域是正样本区域。从这里也可以看出，其实FCOS中心采样策略还有改进空间，因为他的正样本区域没有考虑gt bbo宽高信息，对于图片中包含人这种长宽比比较大的场景，这种做法其实不好。需要注意的是为了可视化代码简单，我是直接对特征图mask进行上采样得到的，实际上在原图上对应的白色区域是一个点，而不是一个白块。

(4) 理解纠正

我们再来看下上面的一句话：

(1) 设置regress_ranges=((-1, 64), (64, 128), (128, 256), (256, 512),(512, INF)，用于将不同大小的bbox分配到不同的FPN层进行预测

(2) 设置center_sampling_ratio=1.5,用于确定对于任意一个输出层距离bbox中心多远的区域属于正样本，该值越大，扩张比例越大，正样本区域越大

看起来好像没问题，后来我通过正样本可视化分析发现我上面说法是错误的。正确的应该是：

(1) 对于任何一个gt bbox，首先映射到每一个输出层，利用center_sampling_ratio值计算出该gt bbox在每一层的正样本区域以及对应的left/top/right/bottom的target

(2) 对于每个输出层的正样本区域，遍历每个point位置，计算其max(left/top/right/bottom的target)值是否在指定范围内，不再范围内的认为是背景

上面两个写法的顺序变了，结果也差别很大，最大区别是第二种写法可以使得某一个gt bbox在多个预测层都是正样本，而第一种做法先把gt bbox映射到预测层后面才进行中心采样，第二种做法相比第一种做法可以增加很多正样本区域。很明显，第二种才是正确的。

通过正样本可视化分析可以发现：

红色点表示正样本point,其中0-4表示stride=[8,16,32,64,128]的输出特征图，代表从小到大物体的预测。

可以看出，其是完全基于回归距离来定义正负样本位置的，但是从语义角度来看，这种设计不够make sense，因为红色点不是对称分布，特别是上标为2的小象内部不算正样本，比较奇怪。从语义角度理解不合理，但是从回归数值范围理解是很合理的。

正样本可视化代码我已经新增到mmdetection-mini中了，只需要对应train_cfg里面的debug设置为True即可可视化。

2.3 loss计算

在确定了每一层预测层的正负样本后就可以计算loss了，对于分类分支(class_num,h’,w’)，其采用的是FocalLoss，参数和retinanet一样。对于回归分支(4,h’,w’)，其采用的是GIou loss，也是常规操作，回归分支仅仅对正样本进行监督。

在这种设置情况下，作者发现训推理时候会出现一些奇怪的bbox，原因是对于回归分支，正样本区域的权重是一样的，同等对待，导致那些虽然是正样本但是离gt bbox中心比较远的点对最终loss产生了比较大的影响，其实这个现象很容易想到，但是解决办法有多种。

现象应该和(b)图一致，在靠近物体中心的四周会依然会产生大量高分值的输出。

作者解决办法是引入额外的centerness分类分支(1,h’,w’)来抑制，该分支和bbox回归分支共享权重，仅仅在bbox head最后并行一个centerness分支，其target的设置是离gt bbox中心点越近，该值越大，范围是0-1。虽然这是一个回归问题，但是作者采用的依然是ce loss。很多人反映该分支训练时候loss下降的特别慢，其实这是非常正常的，这其实是整图回归问题，在每个点处都要回归出对应值其实是一个密集预测问题，难度是很大的，loss下降慢非常正常。

需要特别注意的是centerness分支也是仅仅对正样本point进行回归。

通上图可以看出，在引入centerness分支后，将该预测值和分类分支结果相乘得到横坐标分支图，纵坐标是bbox和gt bbox的iou，可以明显发现两者的一致性得到了提高，对最终性能有很大影响。至于这个图自己如何绘制，有个比较简单的办法：

(1) 利用框架进行测试，保存coco验证集的预测json格式
(2) 在写一份离线代码读取该预测json和标注的json，遍历每张图片的预测bbox和gt bbox
(3) 对于每张图片的结果，遍历预测bbox，然后和所有gt bbox计算最大iou，该值就是纵坐标，横坐标就是预测分值(cls*centerness)
(4) 所有数据都处理完成就可以上述图表

由于代码比较简单，我这里就不写了。

对于任何一个点，其centerness的target值通过如下公式计算：

tools/fcos_analyze/center_samper_demo.py仿真效果如下所示：

越靠近中心,min(l,r)和max(l,r)越接近1，也就是越大。

2.4 附加内容

fcos代码在第一版和最终版上面修改了很多训练技巧，对最终mAP有比较大的影响，主要是：

1. centerness 分支的位置
   早先是和分类分支放一起，后来和回归分支放一起

2. 中心采样策略
   早先版本是没有中心采样策略的

3. bbox预测范围
   早先是采用exp进行映射，后来改成了对预测值进行relu，然后利用scale因子缩放

4. bbox loss权重
   早先是所有正样本都是同样权重，后来将样本点对应的centerness target作为权重，离GT中心越近，权重越大

5. bbox loss选择
   早先采用的是iou，后面有更优秀的giou，或许还可以尝试ciou

6. nms阈值选取
   早先版本采用的是0.5，后面改为0.6

这些trick，将整个coco数据集mAP从38.6提高到42.5，提升特别大，新版本的论文中有非常详细的对比实验报告，有兴趣的可以自行阅读。