目標檢測系列文章
yolo v1原理：
yolo v2原理：
yolo v3原理：
ssd原理：
foveabox：
fcos：
fsaf:
1.fsaf簡介
全稱為：feature selective anchor-free module。為包含fpn的單階段檢測框架增加乙個fsaf模組，從而由網路自己選擇哪個層來**哪個例項。
2.傳統一階段檢測框架（含fpn）是如何進行例項選擇的？
如下圖所示，樣本輸入到檢測框架之後，會根據樣本中的bounding box和fpn中每乙個層的anchors求iou，與哪個anchor的iou最大，那麼那個anchor所在的層用來**該例項。下圖中的汽車例項和p4層的第乙個anchor的iou最大（紅色實線框），那麼就由p4來負責汽車例項的輸出。
由於每一層的anchor是預先根據經驗設定的，然後通過與anchor的iou決定哪一層來**例項，實際上也是根據經驗來決定由哪一層來**該例項，所以是基於啟發式的。那麼這種基於啟發式的，經驗性的選擇是最優的嗎？能否使用網路自己來決定哪個例項由哪個層來輸出？
3.fsaf模組架構圖
為了讓網路自己決定由哪一層來輸出例項，引入了fsaf模組，結構如下圖所示：
這是**中的原圖，可能不是很清晰，下面這個是我根據自己的理解繪製的fsaf模組的架構圖。以p4特徵輸出為例，兩個藍色的子網路為原來的anchor based的子網路，乙個負責輸出類別，維度是h*w*k*a(k是類別數，a是anchor數)，另乙個負責輸出四個點的位置偏移。fsaf模組在原來的兩個分支結構中各增加乙個小的分支，同樣的，乙個輸出類別，乙個輸出位置偏移資訊。由於沒有使用anchor，所以輸出的類別維度為h*w*k。
4.fsaf模組如何選擇例項？
通過上面的講解，fasf模組實際上也是乙個完整的物體框**子網路，它能輸出例項的類別和偏移量，本質上就是乙個檢測子網路。但是它的特點是非常輕量級。那麼fsaf模組是如何根據這兩個新增加的分支來決定某個例項由哪個feature map來負責輸出呢？答案是根據loss值的大小。同樣先看**中的圖：
下面是我根據理解繪製的圖：
當乙個訓練樣本輸入到網路的時候，首先通過各個特徵圖的fsaf模組求出該特徵圖下對應的ground truth例項分類loss以及回歸loss，並對兩個loss求和，作為最終的loss。然後判斷哪個loss最小，例如上圖中的p3層的fsaf模組的loss最小，那麼就由p3層來負責對該訓練樣本中汽車例項的訓練。
5.總結：
fsaf實際上是增加了乙個非常輕量級的檢測子網路來輔助重量級的anchor based檢測模組來決定目標例項由哪個特徵圖來**。由於fsaf模組是anchor free的，所以它的選擇完全是自發的，是根據網路學習到的。效果也比原來的anchor求iou這種啟發式的方式要好。
讓別人自己決定別人的生活
an optimist sees the rose a pessimist the thorn.樂觀的人看到玫瑰，悲觀的人只看到它的刺。在社會發展的程序中，個人的力量是渺小的。個人的影響力是有限的，人的一生影響最多的是他的朋友和親人。這種影響有利有害，可小可大 而且往往事務是兩方面的，你以為你在幫助...
網路讓我迷失了自己
你知道我為什麼說網路讓我迷失了自己嗎？或許你聰明的話已猜中了，若是你還沒猜出來的話，那也沒關係，下面就讓我來告訴你吧！因為在生活當中的情感上面，我受到了很大的打擊，所以我就選擇了網路。我騙自己說只要通過網路，我就可以把這失敗的感情徹徹底底忘記，但是我錯了，我的選擇是我這生中最可悲最可笑的了。雖然把那...
快樂由你自己決定
什麼是快樂？各有各的說法，或許誰也說不清楚。那麼，怎樣才算快樂？有人或許說知足常樂，有人或許說愛情使人快樂，有人或許說家庭帶來快樂，有人或許說有錢就快樂。有人或許從來就沒快樂過 總覺得時運不濟，煩惱無休無止，終日憂心忡忡。我說，快樂是一種心態，是一種對生活的正確態度，快樂由自己決定。無論任何人，無論...