[深度学习从入门到女装]FoveaBox: Beyond Anchor-based Object Detector

论文地址：FoveaBox: Beyond Anchor-based Object Detector

一篇anchor-free的检测论文

实现两点：
1、使用category-sensitive semantic map进行物体存在的预测，这点我个人觉得就是语义分割的思想
2、使用category-agnostic bounding box对目标的bounding box进行检测

整体结构如上图所示，使用FPN作为backbone，然后对每层feature map进行预测

Scale Assignment

Object Fovea

进行category-sensitive semantic map的预测的结果为H* W* K，其中H和W为feature map的size，K为预测种类的个数
对于gt的bounding box$(x_1,y_1,x_2,y_2)$(x1​,y1​,x2​,y2​)，先对不同层的feature map进行缩放

随后对feature map上的坐标使用参数$\sigma_1$σ1​进行转换

positive area $R^{pos}=(x_1^{''},y_1^{''},x_2^{''},y_2^{''})$Rpos=(x1′′​,y1′′​,x2′′​,y2′′​)，$R^{pos}$Rpos中的每个cell都打上target class label
然后对于negative sample，对公式4使用$\sigma_2$σ2​进行转换得到$R^{neg}$Rneg，整个nagative area是除去$R^{neg}$Rneg以外的其他区域
使用focal loss

Box Prediction

使用Smoth L1 loss