1.FCOS：论文与源码解读
2.实例分割之BlendMask
FCOS：论文与源码解读
FCOS：全称为全卷积单阶段目标检测，结合它在锚框自由领域中占有重要地位，源码与RetinaNet在锚框基础领域中地位相似。分析它沿用ResNet+FPN架构，代码通过实验证明，结合在相同backbone和neck层下，源码gt9271 源码锚框自由方法可以取得比锚框基础方法更好的分析效果。 FCOS借鉴了语义分割的代码思想，成功地去除了锚框先验，结合实现了逐点的源码目标检测，是分析全卷积网在目标检测领域的延伸。代码比锚框基础类简单，代码非常适合入门。结合1. 动机
锚框基础类目标检测方法存在多处缺点，源码方块盒子源码FCOS通过去除锚框，分析提出了简单、温柔且有力的目标检测模型。2. 创新点
FCOS借鉴了语义分割的思想，实现了去除锚框、逐点的目标检测。以年提出的全卷积网（FCN）为例，FCOS借鉴了FCN的思想，将其应用于目标检测，主要步骤包括生成先验、分配正负样本和设计bbox assigner。3. 模型整体结构与流程
训练时，包括生成先验和正负样本分配。营销宝箱源码FCOS的先验是将特征图上的每一点映射回原始图像，形成逐点对应关系。分配正负样本时，正样本表示预测目标，负样本表示背景。3.1 训练时
在训练阶段，先通过prior generate生成先验，然后进行bbox assign。在分配过程中，FCOS利用了FPN层解决ambigous点的问题，通过多尺度特征融合和逐层分配目标来解决。3.1.1 prior generate
FCOS通过映射特征图上的每一点回原始图像，形成点对点对应关系，stw脱机源码生成先验。通过公式计算映射关系，其中s表示步长。3.1.2 bbox assigne
分配正负样本时，FCOS借鉴了anchor base方法的正负样本分配机制，通过设计bbox assigner解决ambigous点问题。分配流程包括计算输出值、对输出进行exp操作和引入可学习参数scale，以及使用FPN层分而治之，进一步解决ambigous问题。3.1.3 centerness
FCOS额外预测了centerness分支，以过滤远离目标中心的点，提高检测质量。JAVAjdk源码分析centerness值范围为0~1，越靠近中心，值越大。测试时，最终score=cls_score*centerness。3.1.4 loss
损失函数包括focal loss、IoU loss和交叉熵损失，用于训练分类、定位和centerness分支。3.2 模型结构
模型继续沿用ResNet和FPN层，进行公平比较。FPN输出的特征层与RetinaNet类似，但FCOS在FPN输出的最后一层特征层上进行额外卷积，与RetinaNet在输入特征层上进行额外卷积不同。在推理阶段，注意centerness与分类分数的乘积作为最终得分，且需要进行NMS操作。4. 总结与未来方向
FCOS是一个简单、温柔、有力量的锚框自由方法，地位重要，思想借鉴于语义分割，流程类似传统目标检测，包括生成先验、正负样本匹配、bbox编码和NMS等，额外加入centerness分支以提升检测质量。 未来，FCOS的研究方向可能包括更深入的理论分析、模型优化和跨领域应用探索。5. 源码
mmdetection提供了FCOS的配置文件和代码实现，包括多个版本和改进。了解这些细节有助于深入理解FCOS的实现和优化策略。实例分割之BlendMask
沈春华老师团队的最新研究文章，名为“BlendMask”，旨在通过巧妙融合底层语义信息和实例层信息，提升模型效果。研究主要贡献在于设计了一个创新的Blender模块，受到top-down和bottom-up方法的启发。
BlendMASK的网络结构包含三个关键部分，尽管论文中的图示可能不够直观，需要结合论文和源码深入了解。Bottom模块输出特征的维度为N*K*H/s*W/s，其中N表示批次大小，K是基础数量，H*W是输入尺寸，S是得分输出步长。
Top层在检测输出时，通过额外的卷积层生成注意力A，其维度为N*(K'M'M)*Hl*Wl，其中M值较小，仅比传统top-down方法小。Blender模块利用注意力和位置敏感的基础来生成最终预测。
实验部分详尽，如对比不同融合特征策略（Blender vs. YOLACT vs. FCIS）、分辨率设置、基础数量K的选择以及特征提取位置等，作者充分展示了其设计的消融实验。论文强调，尽管没有采用FCOS，但实际效果显著，理解它需要对YOLACT、RPN和DeeplabV3+的核心思想有深入理解。
总的来说，这篇文章以工程应用为导向，提供了宝贵的实践指导，对于学术研究和实际项目具有很高的参考价值。
