ICCV 2019: FCOS: Fully Convolutional One-Stage Object Detection论文阅读笔记

最新推荐文章于 2026-02-02 06:00:47 发布
原创 最新推荐文章于 2026-02-02 06:00:47 发布 · 369 阅读 · 0 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
收录于
CV

当前文章被收录于：

CV
24 篇文章 6 人学习
订阅专栏 查看详情
目标检测

当前文章被收录于：

目标检测
13 篇文章 5 人学习
订阅专栏 查看详情
该博客是ICCV 2019中FCOS全卷积单阶段目标检测论文的阅读笔记，聚焦于目标检测领域，记录了论文相关内容。

在这里插入图片描述

FCOS: Fully Convolutional One-Stage Object Detection论文解读的ppt
01-09
作者提出了一种全卷积，一阶段目标检测网络，通过对每一个像素预测一个目标来解决目标检测问题（没有anchor，特征图上一个位置预测一个目标。anchor的办法是一个位置预测k个目标）。比起RetinaNet， SSD， YOLOV3， Faster RCNN等网络，FCOS不需要anchor，自然也不需要候选框。 通过消除anchor，FCOS避免了和ahor相关的复杂计算，比如在训练过程中要计算anchor和GT的IOU值。更重要的是，毕淼了和anchor相关的超参数，比如anchor的数目，比例和尺寸。FCOS具有更简单的网络结构，实现更高的精度。在单尺度单模型下，COCO上得到44.7%的AP。
FCOS:Fully Convolutional One-Stage Object Detection--------论文理解
ruoruojiaojiao的博客
04-20 1499
参考博客：https://blog.csdn.net/qiu931110/article/details/89073244 1. 概述 论文提出了一种新的目标检测方法，通过像素预测方式的目标检测，类似于语义分割。 目前的目标检测都是基于锚框机制的，如two-stage的Faster R-CNN等，one-stage的RetinaNet，SSD，YOLOv3等。相比之下，本文中提出的FCOS...
(待续)科研速记(1)：图像去噪篇ICCV19-Fully Convolutional Pixel Adaptive Image Denoiser
weixin_38316806的博客
11-20 1334
一、概览 面向的问题 贡献 数据集 论文实验效果 复现实验效果 FC-AIDE 自适应图像去噪 1.扩展了AIDE的框架，该框架将去噪器表达为基于上下文的像素级别的映射2.使用全卷积增强基础的监督模型3.引入正则化方法来进行自适应的微调来获得更强和更鲁棒的自适应性 Set5set12BSD68Urban100Manga109 SOTA 二、相关工作 2.1基于深度学习的去噪...
FCOS：Fully Convolutional One-Stage Object Detection 论文翻译（非解读）
萌萌虎的博客
04-14 900
全卷积单级目标检测器 摘要： 1.介绍 2.相关工作 3.方法 3.1. 全卷积单级目标探测器 3.2. FCOS的FPN多级预测 3.3. Center-ness for FCOS 4. 实验 4.1. 消融实验 4.1.1 基于FPN的多级预测 4.1.2 有或无 Center-ness 4.2. 与最先进探测器的比较 5.区域提案网络的扩展 6.结论 References 摘要： 提出了一种完全卷积的一级目标检测器（FCOS），以pixel-pixel预测的方式解
FCOS (ICCV2019)
TheWaySoFar
10-13 559
总结: 1. 相当于换了一种形式的anchor, 多层预测, 每层预测指定的尺寸, 然后使用si(也没有讲这个是怎么来的)来平衡尺寸基数. 2. 主要困难点在于目标之间overlap的处理 和 尺寸不变形问题, 可以说两者都是通过FPN处理的, 前者假设多数overlap的目标都是尺寸差距较大的, 后者通过每层限定回归范围以及设置si来平衡. 3. ICCV2019的, 整篇读下来很顺畅,...
[FCOS]FCOS: Fully Convolutional One-Stage Object Detection(ICCV. 2019)代码笔记
Ah丶Weii
11-21 957
文章目录1. AdelaiDet/adet/modeling/fcos/fcos.py2. AdelaiDet/adet/modeling/fcos/fcos_outputs.py3. AdelaiDet/adet/layers/iou_loss.py 1. AdelaiDet/adet/modeling/fcos/fcos.py import math from typing import List, Dict import torch from torch import nn from torch.n
论文笔记 FCOS: Fully Convolutional One-Stage Object Detection - ICCV 2019
weixin_43791477的博客
03-07 2861
有点懒了，不想翻译了。。。
图像 检测 - FCOS: Fully Convolutional One-Stage Object Detection (ICCV 2019)
77wpa的博客
07-28 1320
我们提出了一种全卷积单级目标检测器（FCOS），以每像素预测的方式解决目标检测，类似于语义分割。几乎所有最先进的目标检测器，如RetinaNet、SSD、YOLOv3和Faster R-CNN，都依赖于预定义的锚框。相比之下，我们提出的检测器FCOS是无锚框的，也是无提案的。通过消除预定义的锚框集合，FCOS完全避免了与锚框相关的复杂计算，例如在训练期间计算重叠。更重要的是，我们还避免了与锚框相关的所有超参数，这些参数通常对最终检测性能非常敏感。
孤读Paper——《FCOS: Fully Convolutional One-Stage Object Detection》
雄关漫道真如铁 而今迈步从头越
11-19 2788
《FCOS: Fully Convolutional One-Stage Object Detection》   简单、鲁棒的Anchor free目标检测算法，核心思想 是利用FCNs-based的方式来做目标检测，对featureMap上的结果进行逐像素的预测回归，通过multi-level FPN的不同层选取预测不同尺度的目标解决重叠部分预测模糊的问题，对于低质量的目标框提出了center-ness分支来预测像素到相应目标框中心的得分并与分类的得分相乘得到最终的得分用于NMS，预测head的三个分.
《FCOS: Fully Convolutional One-Stage Object Detection》论文详解
Michael’s Blog
05-26 861
《FCOS: Fully Convolutional One-Stage Object Detection》发表于ICCV2019 代码地址：https://github.com/tianzhi0549/FCOS/ 这篇文章主要是觉得现有的基于anchor的目标检测器存在一些缺点： 检测结果对于anchor的大小，尺度比例，数量比较敏感 即使认真的调好的上述参数，检测器对于GT变化较大，特别是小物体效果较差 为了获得较高的召回率，基于anchor的检测器需要大量的anchor anchor会涉及一些复杂的
FCOS: Fully Convolutional One-Stage Object Detection
Focus
03-30 480
FCOS: Fully Convolutional One-Stage Object Detection 会议：ICCV 2019 论文：https://arxiv.org/abs/1904.01355 代码：https://tinyurl.com/FCOSv1 创新点： anchor-free、proposal-free，提出了中心度center-ness的思想。 Abstract 作者提出了一个基于FCN的one-stage检测器FCOS，与主流的方法如R-CNN系列不同，FCOS is anc
FCOS: Fully Convolutional One-Stage Object Detection(ICCV2019)论文笔记
DONG_LIN_2019的博客
07-28 965
https://zhuanlan.zhihu.com/p/136172670
FCOS: Fully Convolutional One-Stage Object Detection(ICCV2019)代码复现
DONG_LIN_2019的博客
08-14 1275
回顾论文阅读：论文翻译篇，主要建模如下 1、Backbone ：采用现有模型，如resnet50，提取5个block：>>> [C1、C2、C3、C4、C5] 2、FPN模块：参考标准FPN。一般是Backbone参数抽象特征，再经过融合阶段。[https://zhuanlan.zhihu.com/p/148738276] 当前考虑，先通过seblock增加通道联系，分别经过1x1卷积，再经过RetinaNet中的FPN-BiFPN >>> [P1、P2、P3、P
FCOS:Fully Convolutional One-Stage Object Detection
breeze_blows的博客
12-06 481
ICCV2019的一篇文章，很有意思的是将目标分割的思想用到了目标检测中，提出了一种anchor-free的检测方式，取得了不错的效果 论文链接：https://arxiv.org/abs/1904.01355 1.motivation 作者认为以往的基于anchor的目标检测有以下缺点 检测算法的性能对于anchor一些参数很敏感，比如size ratio，number，设置起来很麻烦 ...
论文笔记——FCOS：Fully Convolutional One-Stage Object Detection
jackzhang11的博客
08-08 793
论文题目：Fully Convolutional One-Stage Object Detection 论文链接：https://openaccess.thecvf.com/content_ICCV_2019/papers/Tian_FCOS_Fully_Convolutional_One-Stage_Object_Detection_ICCV_2019_paper.pdf 最近看了两篇anchor-free的detection论文，分别是CenterNet和这篇FCOS，其共性都是使得网络免去了对anch
【目标检测】19、FCOS: Fully Convolutional One-Stage Object Detection
呆呆的猫的博客
08-01 999
论文：FCOS: Fully Convolutional One-Stage Object Detection代码：https://github.com/aim-uofa/AdelaiDet/tree/master/configs/FCOS-Detection出处：ICCV2019FCOS 贡献：当时主流的目标检测算法，如 Faster RCNN、SSD、YOLOv2/v3 等，都是基于 proposal 或 anchor 的方法，使用这些预定义的 anchor 是这些方法成功的主要原因。但这些方法也有一些
【目标检测】FCOS: Fully Convolutional One-Stage Object Detection
zhw864680355的博客
05-10 709
论文：《FCOS: Fully Convolutional One-Stage Object Detection》 ICCV2019 论文地址：https://arxiv.org/pdf/1904.01355.pdf 代码：https://github.com/tianzhi0549/FCOS/ https://github.com/shanglianlm0525/PyTorch-Networks https://github.com/Adelaide-AI-Group/FCOS https://
图像 检测 - FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection (ICCVW 2021)
77wpa的博客
08-06 1640
单目3D目标检测具有成本低的优点，是自动驾驶的一项重要任务。由于其固有的不适定性，它比传统的2D情况更具挑战性，这主要反映在缺乏深度信息上。2D检测的最新进展为更好地解决这个问题提供了机会。然而，使通用的2D检测器在该3D任务中工作是不平凡的。在本文中，我们通过建立在全卷积单级检测器上的实践来研究这个问题，并提出了一个通用框架FCOS3D。具体来说，我们首先将通常定义的7-DoF 3D目标转换到图像域，并将其解耦为2D和3D属性。
论文阅读|FCOS
yanghao201607030101的博客
12-18 506
这是一种anchor free的点检测。论文提出了一种的新的Anchor-Free目标检测方法，将特征图上的点作为训练样本回归边界框。同时提出center-ness滤除远离目标中心的框。
如何使用FCOS：完全卷积一站式目标检测算法实现高效物体识别
最新发布
gitblog_00450的博客
02-02 333
FCOS（Fully Convolutional One-Stage Object Detection）是一种创新的一站式全卷积目标检测算法，它彻底摒弃了传统目标检测中复杂的锚框（Anchor Box）机制，通过全卷积网络直接预测目标的位置和类别。这种设计不仅简化了检测流程，还在精度和速度上实现了显著提升，是ICCV 2019年的重磅研究成果。本文将带你快速掌握FCOS的核心优势、安装步骤和实际应
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值