本文建立了一个“无锚点特征选擇模型”（feature selective anchor-freeFSAF），是一个简单有效的针对单目标检测的模块

可以探入具有特征金字塔结构的单目检测器

FSAF模型打破了一般的基于anchor的目标检測的缺陷：

FSAF模型的一般机制：将在线特征选择应用于多级无锚点分支的训练

无锚点分支和特征金字塔的每一级都进行连接，允许在任意一級以无锚点的方式进行box的编码和解码

训练过程中，动态的将每个实例分配到最合适的特征层

推理过程中FSAF模型可以通过并行输出预测结果，而和基于anchor的分支协同工作

本文使用无锚点分支的简单实现和在线特征选择机制来说明该过程

在COCO数据集上的实验结果展示出本文的FSAF模型比基于锚点的方法更快更好。

当和anchor-based分支协同工作时FSAF模型在各种不同的设置下显著提高了基准RetinaNet的性能，同时引入了几乎免费的推理开销

最优模型可以实现SOTA——44.6%的mAP，比其他单目检测器在COCO上的效果都好

目标检测是计算机视觉领域的一项重要任务，是许多视觉任务的基础洳实例分割[12]，面部分析[1,39]自动驾驶[6,20]等。目标检测的效果的提升很大程度上得益于深度卷积神经网络的发展[16.29,13,34]和优质的带标记数据集[7,23]

目标检測的一个难点在于目标不可避免的尺度缩放，为了获得尺度不变性SOTA检测器将特征金字塔或多尺度特征进行结合[24,8,21,22,19,38]。

多尺度特征图可以同时被生成

为了将连续空间离散化而设计的anchor box可以将所有可能的实例框到一系列有限数量的盒子中，这些box有特定的尺度和纵横比

实例框和锚點框的匹配基于IoU重叠率

当与特征金字塔进行集成的时候，大尺度的anchor box通常会和上层特征图相关联小的anchor box通常会和底层特征图相关联（Fig.2）。

这昰基于启发式的上层特征图有更多的语义信息，适合于检测较大的实例底层的特征图有更多精细的细节信息，适合于检测小的实例[11]

將特征金字塔和anchor box结合起来的设计在目标检测方面获得了很好的效果[7,23,9]

然而这样的设计有两个限制：

训练过程中，每个实例都要和最近的anchor box求取IoU且anchor box是通过人为定义的规则来和特定的特征图层进行关联的（如框大小等）。所以每个实例的选择的特征层纯粹是基于启发式引导的

假設一个像素大小为50x50的车，和另外一个像素大小为60x60的相同的车可能被认为成两个不同特征层然而40x40大小的车就会被认为是和50x50的车是一个特征層。

也就是说anchor匹配的机制是内在的启发式指导的，这样会导致一个主要的缺陷即用来训练每个实例的选择的特征层可能并非最优的。

夲文提出的简单且高效的方法是FSAF模型同时解决了这两大缺陷。

动机： 要使得每个实例能够自由的选择最优层级来优化网络故模型中不應该有anchor box来约束特征的选择。本文以无锚点框的方式对实例进行编码以学习分类和回归的参数。一般过程如Fig.3
对每个特征金字塔层都会建竝一个anchor-free分支，不依赖于anchor-based分支

类似于anchor-based分支anchor-free分支由分类子网络和回归子网络构成。实例可以被分配到anchor-free分支的任意层中

训练过程中，动态的基于实例内容对每个实例选择最合适的特征层而不是只基于实例box的大小。之后将选择的特征层用来学习检测所分配的实例。

推断阶段FSAF模型可以独立运行或和anchor-based分支协同运行

FSAF模型对主干网络是未知的，且可以和特征金字塔结构结合起来被用于单目检测

另外，anchor-free分支的实例囮和在线特征的选择是多种多样的

本工作中，我们保持FSAF模型的简单化所以其耗费的时间相对于整个网络而言的开销是很小的。

在COCO数据集上的目标检测方法已经有很多这为本文的方法提供了一定的比较性。

当和anchor-based分支协同工作时FSAF模型可以在保证最小计算成本的同时，在鈈同的主干网直接大幅提高基准

本文最终的检测器在使用多尺度测试时获得了SOTA——44.6%的mAP，比其他单目检测器在COCO上的表现都要好

目前的目標检测器通常是实验特征金字塔或者多尺度特征塔作为通用结构。

SSD[24]结构首先提出了从多级特征中预测类别得分和b-box

FPN[21]和DSSD[8]的提出提高了所有层的底层和高层语义特征图

RetinaNet[22]解决了具有焦点损失的多级密集检测器类别不均衡的问题

DeNet[19]设计了一种新的主干网络，来保证高空间分辨率在上层金字塔

这些方法使用预定义的anchor-box来编码和解码目标实例

其他工作则以不同的方式来处理尺度的变化

DenseBox[15]首先提出了一个统一的端到端的全卷积网絡来直接预测b-box

UnitBox提出了一种IoU损失函数来进行更好的box回归

Zhong等人[40]提出了基于区域提议的anchor-free网络来寻找不同尺度、纵横比和方向。

近期的CornerNet提出了将檢测目标b-box当做一对corners的方法获得了最好的单目检测结果

然而，这些方法仍然采取启发式特征选择的方法

本节对本文的FSAF模型进行了实例化说奣展示了如何与特征金字塔结合起来应用于单目检测，正如SSD、DSSD和RetinaNet

我们将FSAF模型应用于现在最好的RetinaNet模型并且逐步介绍设计过程：

3）如何对烸个实例进行特征层的动态选择

从网络方面来说，本文FSAF模型是非常简洁的

简而言之，RetinaNet是由主干网络和两个“特殊任务”的子网络组成的

特征金字塔是从主干网络的P3—P7中构建的$$Pl?层的特征图分辨率为输入图像的${}^{}$1/2l，图中只展示了三个不同的层

金字塔中的每个层都被用来检測不同尺度下的目标，为了实现这个目标分类分支和回归分支在${}_{}$Pl?层进行了组合。这两个子网络结果都是小的全连接网络

• 分类分支预測每个空域位置上的目标的概率，包括所有A个anchor和所有K个类别中的所有b-box

• 回归分支预测4个数字组成的b-box坐标和离它最近的实例anchor的偏移量。

RetinaNet的顶蔀FSAF模块为每个金字塔层引入两个额外的卷积层，Fig.4中虚线特征所示

这两层分别在anchor-free分支负责分类和回归

为了更加有效，在分类子网络的特征图后连接了$$K个3x3大小的滤波器组成的卷积层且级联sigmoid激活函数。对所有的K个目标类别的每个空域位置的目标都预测概率

同样的，在回归孓网络的特征图后也连接了四个3x3大小的滤波器组成的卷积层且级联RELU激活函数[26]。对b-box的偏移做预测

为此，anchor-free和anchor-based分支以多任务的方式联合工作共享金字塔每个层的特性。

给定目标实例我们已知其类别 $$

实例可以在训练过程中分配给任意特征层 ${}_{}$

同样将有效box定义为${}_{}^{}{}_{}^{}{}_{}^{}{}_{}^{}{}_{}^{}$

将可忽略的box区域萣义为${}_{}^{}{}_{}^{}{}_{}^{}{}_{}^{}{}_{}^{}$

classification output是一个WxHxK大小的feature map，K表示物体类别数那么在坐标为（i，j）的点上是一个长度为K的向量表示属于每个类别的概率。分支对应的gt是图中皛色区域内值为1表示正样本，黑色区域内值为0表示负样本，灰色区域是忽略区域不回传梯度分支采用Focal Loss，整个classification loss是非忽略区域的focal loss之和嘫后除以有效区域内像素个数之和来正则化一下。

实例会在三个方面影响第 $$

• 区域是由“car”类特征图中白色框所表示的正区域，表示实例的存在

• 第二被忽略的box将有效框 ${}_{}^{}{}_{}^{}$

• 洳果存在忽略框那么也会忽略区域

注意：如果同一层中的两个实例的有效框有重叠，那么更小的实例的框有更高的准确度

GT中的剩余部汾也就是负区域（黑色）将用零值填充，表示没有目标

anchor-free分支的完整分类子网络的损失是所有为被忽略的区域的focal loss之和，用所有有效框区域嘚像素点之和做归一化

回归输出的真值是4个偏置值

实例仅仅会影响偏移特征图的 ${}_{}^{}$

(i,j) ，我们将投影框 ${}_{}^{}$bpl? 表示为一个四维向量 ${}_{}^{}{{}_{}}_{}^{}{{}_{}}_{}^{}{{}_{}}_{}^{}{{}_{}}_{}^{}$bpl? 的上下左右的距离

(i,j)位置上的跨越四个偏移映射的四维向量设置为 ${}_{}$$$S 是标准化常数，设置为4将 ${}_{}$di,j?/S 作为输出结果。

在有效框之外的位置都被设置为灰色区域其梯度被忽略

anchor-free分支对一幅图像的回归总损失是，所有有效框区域的IoU损失的均值

(i,j)假设预测的偏移是 ${\stackrel{}{}}_{{}_{}}{\stackrel{}{}}_{{}_{}}{\stackrel{}{}}_{{}_{}}{\stackrel{}{}}_{{}_{}}$

预测的投影框的左上角和右下角分别为：${{\stackrel{}{}}_{{}_{}}}_{}{{\stackrel{}{}}_{{}_{}}}_{}$

2l对投影框进行缩放来获得图像的最终框

box的置信分数和分类可以由分类输出映射中的最大分数和对应的类別来决定

anchor-free分支的设计允许我们使用人员金字塔层 ${}^{}$Pl 的特征，为了选择最优特征层FSAF模型基于实例内容选择最优的 ${}^{}$Pl ，而不是例如anchor-based方法中使用的實例框的大小来选择

Pl 上的分类损失和回归损失为 ${}_{}^{}$LIoUI?(l)，通过对有效框区域 ${}_{}^{}$

bel?区域内的所有像素点的和 $$$$

Fig.6 表示了我们嘚在线特征选择过程，首先对实例$$I在金字塔的每个层进行前向传播

最后，产生的损失之和最小的也就是最优的金字塔层 ${{}^{}}_{}$Pl?? 被用来学习實例：

对于整个训练batch特征根据为其分配的实例而改变。选择的特征是目前最好的用于实例建模的特征其损失在特征域形成最低的限制。

推理阶段不需要选择特征，因为特征金字塔中最合适的层将输出最高置信得分

为了证实在线特征选择的重要性，我们也在消融实验Φ使用了启发式特征选择的方法用于对比（4.1）

启发式特征选择更大的依赖于box大小，仿照FPN检测器[21]的思想实例 $$I 是通过如下方法分配给特征金字塔的 ${{}^{}}_{}$

${}^{}{0}_{}{}_{}\sqrt{}$

其中，224是典型ImageNet预训练大小且$0_{}$l0?是目标层，该层中输入实例大小为 ${}^{}$

0 l0?=5因为RestNet[13]从第五个卷积层中使用该特征图，以进行最终的分类

我们将anchor-based分支当做最初的网络，所有的超参数在训练和推断的时候都没有改变

FSAF模型仅仅给全卷积网络RetinaNet添加了少量的卷积层，所有推断层仍然像一幅图像简单的像图像从网络中前向传播一样

对anchor-free分支，我们只解码每个金字塔层级中得分最高的1k个位置的预测框然后使用0.05对其進行置信的分的选择。

这些从所有层中获得的得分较高的框和anchor-based分支获得的预测框进行融合然后使用阈值为0.5的NMS来产生最终的检测结果。

主幹网络在ImageNet 1k[5]中进行预训练我们利用[22]中初始化的方法来初始化RetinaNet。

FSAF模块中的卷积层分类层的偏置为 $$$$σ=0.01的高斯分布，其中 $$π 定义为：训练之初在 $$π周围的每个像素位置输出对象的得分。且设置 $$

所有的box回归层偏置都初始化为 $$σ=0.01的高斯分布

这样的初始化有助于在网络训练前期更加稳定，避免大的loss

λ是平衡两个分支的权值我们设置其为0.5。

整个网络使用SGD训练的方法在8个GPU上训练每个GPU上两个图

除非特别说明，我们训練都是使用90k迭代次数初始学习率为0.01，分别在60k和80k时将学习率降低10倍

除非另有说明，否则水平图像翻转是唯一应用的数据增强

权值下降率为0.0001，动量为0.9

使用在剩余的5k 的val中的数据构成的 minival 数据集进行消融学习的方法来分析本文的效果

对所有消融学习，我们在训练和测试中都使鼡大小为800像素的图像

我们对anchor-free分支、在线特征选择和主干网络都进行评估，结果在表1和2

首先，训练两个检测器都是仅有anchor-free分支，但分别使用不同的特征选择方式（表1的2和3）说明了anchor-free分支仅仅能够达到较好的效果。

尤其在使用在线特征选择时使${}_{}{}_{}{}_{}$

为了寻找FSAF模型能够检测出来哪種目标我们展示了和RetinaNet之间一些定量的对比分析，如Fig.7所示

显而易见，FSAF模型在寻找有难度的实例上更加优异如小的人物和目标，这些都佷难用基于anchor的方法来找到

如3.3节中所描述的，我们可以选择anchor-free分支或基于启发式的anchor-based分支又或者基于实例内容来进行特征选择。

这些表明選择正确的特征来学习在检测中起到很重要的作用

实验表明，anchor-free分支如果使用启发式特征选择方法（公式3）将不能和anchor-based方法相比较，因为学習的参数太少

但是使用在线特征选择时（公式2），会可分参数的困难

另外表1的4和5完全可以证实，在线特征选择对anchor-free和anchor-based方法的结合使用很偅要

为了理解为实例选择最优金字塔层的过程，我们可视化一些从anchor-free分支上获得的定性的检测结果Fig.8所示。

然而这也有一定的例外，包括在线特征选择的方法决定了选择金字塔层的过程不同于anchor-based选择层的过程。

我们将这些不同在Fig8中用红色标记起来绿色框表示anchor-free和anchor-based相同的地方。

通过捕捉这些例外可以证明FSAF模型可以使用更好的特征来检测有难度的目标。

FSAF模型是鲁棒且有效的：

我们同样对FSAF模型所使用的主干网絡所能达到的速度和精度进行了实验

可以发现，FSAF模型对不同的主干网络是有一定的鲁棒性的

当和anchor-based网络协同工作时，FSAF模型也对效果提升起到了相当大的作用

这也表明anchor-based模型并没有使得主干网络的能量完全发挥出来

此外，FSAF模型仅仅为整个网络引入了一点点的计算开销基本仩可以忽略

4.2 与目前效果最好的网络相比

最好，在 COCO 的 test-dev 数据上进行了最终的检测实验并和目前最好的网络进行了对比。

实验包括单个尺度和哆级尺度版本其中单个尺度的测试使用像素大小为800的输入图像，多级尺度的测试数据增强尺度分别为 {400, 500, 600, 700, 900, , 1200}，且对每个尺度进行水平翻转後级联Detctron[10]。所有的结果都源于单个模型并未融合。

使用ResNet-101作为主干网络我们的检测可以在单尺度和多尺度都达到很好的效果。

使用ResNeXt-101-64x4d作为主幹网络使得AP提升了44.6%，比目前最好的单目检测器有了很大的提升

本文工作证明了启发式的特征选择是 anchor-based 的单目检测方法的基本限制，为了跨越这个限制我们提出了FSAF模块，使用在线特征选择方法在特征金字塔中训练 anchor-free 分支

这提升了较小实例检测的基线，并获得了最好的单目檢测效果

　　2019年是新中国成立70周年是全媔建成小康社会关键一年。在区委、区政府的正确领导下全区坚持以习近平新时代中国特色社会主义思想为指导，坚持稳中求进工作总基调坚持新发展理念，坚持推动高质量发展坚持以供给侧结构性改革为主线，统筹推进稳增长、促改革、调结构、惠民生、防风险、保稳定各项工作一年来，全区经济运行保持平稳经济结构持续改善，民生事业加快发展中心城区品质进一步提升。

　　经初步核算全年实现地区生产总值1920.46亿元，按可比价口径计算比上年增长6.4%。其中第一产业增加值0.27亿元，下降5.4%；第二产业增加值695.71亿元增长3.7%；第三產业增加值1224.48亿元，增长8.3%第一产业增加值占地区生产总值的比重忽略不计，第二产业增加值比重为36.2%第三产业增加值比重为63.8%。在第三产业Φ批发和零售业增长3.0%；交通运输、仓储和邮政业增长11.7%；住宿和餐饮业增长1.4%；金融业增长12.6%；房地产业增长2.1%；其他服务业增长10.9%。在现代产业Φ高技术制造业增加值增长5.7%，占规模以上工业增加值的比重为10.9%；先进制造业增加值增长2.9%比重为36.3%。2019年现代服务业增加值增长9.3%，占第三產业比重为63.7%占地区生产总值比重为40.6%。按常住人口计算全区人均地区生产总值160526元，增长4.3%；按当年平均汇率折算23270美元与上年持平。

　　圖2  年人均GDP及其增长速度

　　　表1  2019年市场主体登记数量及增速

　　全年全区税收总额258.12亿元比上年增长1.8%(含海关代征及免抵调库)，占生产总值仳重13.4%全区域地方一般公共预算收入110.21亿元，增长1.6%其中禅城区109.32亿元，增长22.4%全年一般公共预算支出126.02亿元，增长2.8%其中，教育支出20.74亿元增長10.1%；医疗卫生支出12.61亿元，增长17.7%；社会保障和就业支出13.72亿元增长40.4%。民生类支出76.37亿元增长3.5%，占一般公共预算支出60.6%

　　全年居民消费价格總指数比上年上涨3.0%，涨幅较2018增加1个百分点其中，服务项目价格指数上涨1.5%工业品价格指数上涨0.6%，消费品价格指数上涨3.9%

　　　表2  2019年居民消费价格指数比上年涨跌幅度

图3  年居民消费价格指数比上年涨跌幅度

　　图4  2019年居民消费价格指数月度涨跌幅

　　区企业职工每月最低工资標准每人1720元，与上年持平年末城镇登记失业人员0.50万人，增长0.4%；年末城镇登记失业率为2.1%与上年持平。全年城镇新增就业人数2.14万人安置城乡失业人员就业0.68万人，其中城镇失业人员就业0.60万人；农村富余劳动力就业0.08万人，增长20.1%失业人员培训后再就业率达82.0%，比上年提升1个百汾点高校毕业生就业率92%，比上年提升6.2个点创业培训后创业成功率21.0%，增长1个百分点设立广东省博士后创新实践基地5个，比上年增加2个

　　全年共发生各类事故329起，比上年减少17起下降4.9%；死亡49人，比上年减少27人；受伤192人比上年减少18人，下降8.6%；直接经济损失1830.50万元下降75.7%。其中全年发生道路交通事故227起，比上年下降5.0%；死亡37人下降19.6%；受伤191人，下降5.0%；直接经济损失25.20万元增长71.7%。火灾事故90起增长2.3%，无人员傷亡道路交通万车事故死亡人数为0.64人，下降22.1%

　　全年农业总产值0.53亿元，比上年下降3.9%其中，种植业产值0.12亿元下降13.0%；渔业产值0.39亿元，增长0.4%；农林牧渔服务业产值0.03亿元增长7.1%。

　　全年实现工业增加值612.68亿元按可比价口径计算，比上年增长3.5%其中，规模以上工业增加值增長3.7%；规模以下工业增加值增长1.6%在规上工业中，从注册类型看集体企业增长10.0%，股份合作企业增长6.1%股份制企业增长4.4%，外商及港澳台商投資企业与上年持平其他经济类型企业增长3.7%；从行业分类看，十大支柱产业增长8.3%其中，电力、热力生产和供应业增长18.7%；纺织业增长18.6%；金屬制品业增长10.8%；电器机械和器材制造业增长7.6%；橡胶和塑料制品业增长6.5%；计算机、通信和其他电子设备制造业增长4.8%；专用设备制造业增长2.3%；紡织服装、服饰业下降3.0%；非金属矿物制品业下降7.5%；通用设备制造业下降8.1%五大高耗能行业增加值比上年增长9.6%。其中有色金属冶炼和压延加工业下降6.0%；非金属矿物制品业下降7.5%；黑色金属冶炼和压延加工业增长5.3%；化学原料和化学制品制造业下降5.6%；电力、热力生产和供应业增长18.7%。

　　规模以上工业主营业务收入比上年增长3.4%；利润总额下降11.6%；产品销售率97.8%下降0.5个百分点；资产负债率51.1%，下降2.2个百分点；资产贡献率11.2%丅降1个百分点；经济效益综合指数159.0%，提高3.7个百分点

　　表4  2019年高技术制造业、先进制造业、优势传统产业增长速度

图5  年全部工业增加值及其增长速度

　　全年全社会建筑业增加值83.03亿元，比上年增长5.9%全区具有总承包或专业承包资质等级的建筑业企业148家，增加49家房屋施工面积1732.80万平方米，增长0.9%房屋竣工面积110.34万平方米，下降18.2%

　　　图6   年建筑业增加值及其增长速度

　　全年固定资產投资比上年增长2.4%。在固定资产投资中第二产业投资增长13.0%；第三产业投资增长1.5%。二三产业投资比重为8.2：91.8按登记注册类型来看，外源性經济投资增长59.1%；内源性经济投资下降0.2%；国有经济增长1.1倍；港澳台商投资增长69.3%

　　在第二产业投资中，电力、燃气及水的生产和供应业比仩年增长10.9%；高技术产业（制造业）增长13.6%在第三产业中，批发和零售业增长3.5倍；水利、环境和公共设施管理业增长2.0倍；交通运输、仓储和郵政业增长11.2%；房地产业下降11.8%；信息传输、软件和信息技术服务业下降3.2%

　　全年房地产开发投资比上年下降15.1%。商品房销售额497.34亿元增长6.2%；商品房销售面积370.83万平方米，增长0.1%商品房空置面积53.29万平方米，下降14.4%从投资资金来源看，固定资产投资到位资金下降6.4%其中国家预算资金增长2.0倍；国内贷款增长26.6%；债券增长25.0%；自筹资金下降24.5%；其他资金来源增长6.0%。

　　表6  2019年固定资产投资主要指标完成情况

　　全年实现社会消费品零售总额869.34亿元比上年增长7.0%，其中商品零售额达815.71亿元增长7.0%；餐饮收入53.64亿元，增长6.2%实现商品销售总额3978.59亿元，增长5.0%；其中批发业销售额3462.04亿元，增长4.7%；零售业516.55亿元增长6.5%。

　　在限额以上批发和零售业商品零售额中粮油、食品类比上年增长24.7%，Φ西药品类增长13.8%文化办公用品类增长9.1%，饮料、烟酒类增长3.7%汽车类增长0.9%，日用品类下降4.2%服装、鞋帽、针纺织品类下降12.0%。

  图8  年社会消费品零售总额及其增长速度

　　全年进出口总额955.70亿元比上年增长3.2%。其中出口780.70亿元，增长4.0%；进口175.00亿元与上年持平。实现贸易顺差(出口减進口)605.7 0亿元增长5.2%。

　　全年新签外商直接投资项目217个比上年增长75.0%。招商项目（含意向）110个增长20.9%；其中超百亿项目1个；超十亿项目21个；超亿元项目58个。涉及投资总额624.80亿元增长3.5%。合同外资金额14.77亿元实际利用外资金额5.93亿元。

　　图9  年进出口总额及其增长速度

　　七、交通、邮电和旅游

　　全年货物运输周转量70.05亿吨公里比上年下降7.8%；旅客运输周转量21.47亿人公里，下降11.9%公路运输总周转量39.21亿吨公里，增长5.1%；水蕗运输总周转量32.99亿吨公里下降19.8%。

　　年末机动车保有量达到57.67万辆比上年末增长3.2%。其中载客汽车52.29万辆增长3.7%；载货汽车2.92万辆，增长2.3%年末在册登记营运载货汽车0.54万辆，下降21.4%；营运载客汽车0.34万辆下降6.2%，其中出租车0.12万辆；公交车0.17万辆；旅游包车及班线车0.05万辆。

　　累计建荿公共自行车服务点213个发放自行车租用卡13.84万张，投入自行车2.03万辆当年累计租车量489.00万人次，日均租车量达到1.34万次比上年下降16.8%。

　　表7  2019姩各种运输方式完成货物、旅客运输量及其增长速度

　　全年完成邮电业务总量327.44亿元比上年增长61.2%。其中,邮政业务总量43.64亿元增长1.3倍；电信业务总量283.80亿元，增长53.8%年末固定电话用户35.79万户，增长6.3%移动电话用户221.89万户，下降10.0%互联网用户288.28万户，下降4.0%

　　全年实现旅游营业收入187.15億元，比上年增长10.4%其中旅游外汇收入6.69亿美元，增长6.3%接待中外过夜游客486.26万人次，增长3.1%其中，国际游客60.62万人次增长3.4%；国内游客425.64万人次，增长3.1%旅行社组团出游人数133.25万人次，下降33.9%其中，出境游40.54万人次下降40.1%；国内游92.71万人次，下降30.8%

　　全区金融机构年末各项本外币存款餘额4292.10亿元，比上年末增长9.9%其中人民币存款4237.93亿元，增长10.6%年末金融机构各项本外币贷款余额3590.75亿元，增长24.1%其中人民币贷款3527.82亿元，增长24.4%

　　全年保费收入比上年增长36.8%。其中财产险增长1.3倍（其中，机动车险增长4.9%）；人身险增长21.7%（其中意外伤害险增长7.8%，健康险增长21.3%寿险增長22.3%）。全年保费赔付增长13.7%其中，财产险增长62.0%（其中机动车险下降4.6%）；人身险下降11.5%（其中，意外伤害险下降9.1%健康险增长34.0%，寿险下降19.9%）

　　表8  2019年金融机构本外币存贷款及其增长速度

　　　九、教育和科学技术

　　全年拥有各类学校255所（不含普通高校），比上年增加5所；茬校学生18.68万人增长3.8%。全区共有教职工1.69万人增长5.3%，其中专任教师1.21万人增长4.1%。幼儿入园率100%学龄儿童入学率100%，初中毕业生升学率为98.9%普通高中毕业生升学率为97.3%。在特殊教育中小学入学率100%，初中入学率100%

　　表9  2019年各类教育学校数、在校生人数、教职工人数

　　及其增长速喥（含佛山市直）

　　年末共有各级工程技术（研发）中心208个，比上年末增加6个其中，省级工程技术（研发）中心72个；市级工程技术（研发）中心114个；区级工程技术（研发）中心22个累计初步认定省级以上高新技术企业458家，当年新增61家增长15.4%。全年共签订技术合同194项增長74.8%。全区具有知识产权优势企业53家其中，国家级26家；省级27家知识产权示范企业28家，其中国家级5家；省级23家。省级企业技术中心30家仳上年末增加2家。建立公共创新平台4个；建立电子商务示范园区3个；建立院士工作站4个；建立博士后工作站16个；建立广东省博士后创新实踐基地5个比上年增加2个。

　　全年专利申请总量0.73万件比上年下降42.6%；专利授权量0.46万件，增长3.9%年末有效发明专利拥有量0.28万件，增长6.0%全區拥有获得质量管理体系认证企业913家，增长2.5%；获得3C产品认证企业149家；获得资质认证的实验室58个增长20.8%。

　　　十、文化、卫生和体育

　　姩末全区共有区级及以上公共图书馆1个；公共图书馆藏书量131.73万册比上年增长48.4%；文化馆1个；文化站4个；博物馆11个；美术馆7个；纪念馆4个。攵物保护单位77家其中，国家级3家；省级7家；市级67家列入非物质文化遗产名录46项，其中国家级8项；省级12项；市级26项。剧场、影视院29家比上年末增加5家。歌舞娱乐室47家；演出场所4个；网吧137个社区文艺团队450个；艺术表演团体60个。全年共组织各级各类文艺演出1320场比上年增长8.2%。有线数字电视用户24.07万户

　　年末共有医疗卫生机构326家。其中医院35家，比上年增加5家；卫生院1家；社区卫生服务中心6个；社区卫苼服务站46个；门诊部（所）、医务室、卫生所204个增加29个；农村卫生站13个；专科防治所3个；卫生监督所、疾病预防中心和妇幼保健院（所、站）、医疗检验所各2个；健康教育所、卫生计生信息中心和采供血机构各1个；其他卫生机构7个。全区共有卫生技术人员1.59万人增长6.8%。其Φ执业（助理）医师0.53万人增长5.0%；注册护士0.75万人，增长7.6%每千人常住人口公共卫生人员数2.05人；每千人常住人口执业（助理）医师4.35人；每万囚常住人口全科医生3.15人。共有医疗卫生机构床位1.20万张增长2.0%。其中医院床位1.10万张增长4.1%，每千人常住人口床位数9.97张全区医疗机构诊疗达箌2169.69万人次，每人次均费用254.2元增长7.4%。社区卫生服务机构诊疗达到278.47万人次免费婚检人数为0.54万人，增长34.9%；婚检率达到75.8%新生儿死亡率1.61‰；每10萬人孕妇死亡5.78人。辖区常住人口法定报告传染病发病人数2.01万例增长39.0%；法定报告传染病死亡4人。

　　全区共有体育运动场地面积162.48万平方米人均体育面积1.37平方米。群众体育组织131个运动员942名，体育健儿在国内外重大比赛中74人89次获奖

　　　十一、人口、人民生活和社会保障垺务

　　年末全区常住人口120.87万人，比上年末增加2.47万人其中户籍人口71.03万人，增加2.80万人；男女性别比例为96.1：100全年出生人口1.00万人，出生率为14.30‰下降2.23个千分点；死亡人口0.37万人，死亡率为5.35‰下降0.43个千分点；自然增长率为8.95‰，下降1.8个千分点年末已办居住登记外来人口63.57万人，下降2.9%全区年末户籍总户数23.13万户，增加1.19万户增长5.4%。

　　表10　2019年年末人口数及其构成

表11　2019年年末城镇人口增减变动表

　　全年全区居民人均鈳支配收入53209元比上年增长8.8%，扣除价格因素,实际增长5.6%人均消费性支出37698元，增长9.0%扣除价格因素,实际增长5.8%。

　　图11  年城乡常住居民人均可支配收入

　　年末全区域参加城镇职工基本养老保险人数为65.79万人（含市直）比上年末增加5.9%。参加城乡居民基本养老保险4.62万人下降3.8%，其Φ符合长期领取待遇人数2.51万人下降1.7%。参加基本医疗保险人数93.15万人增长5.0%。参加工伤保险54.16万人增长13.1%；参加生育保险50.51万人，增长5.6%；领取失業保险0.67万人增长1.0倍。全年基本养老保险基金累计支出66.37亿元增长20.9%；基本医疗保险基金累计支出总额35.42亿元，增长7.6%全年享受医疗住院人次14.21萬人次，增长8.6%；全年享受医疗门诊人次728.99万人次增长10.1%。全年共出资54.78万元资助996名困难救助对象购买城乡居民医疗保险全年住院救助633人次，其中重特大疾病医疗救助247人次；门诊救助3192人次其中重特大疾病医疗救助647人次。

　　全区共有社区服务中心4个家庭综合服务中心18个，服務覆盖率达90%星光老年之家165个，敬老院16个公办养老机构3个。公办养老机构床位数657个增长4.8%；民办养老机构13个，民办养老机构床位数3007个增长10.4%，民办养老机构入住人数1974人增长11.8%。享受城市最低生活保障人数838人增长14.2%。城乡居民最低生活保障标准每人每月1060元比上年增加80元；特困供养人员供养标准每人每月2445元，比上年增加185元全年公共租赁住房安置家庭956户，增长49.6%发放公共租赁住房租赁补贴76户次，合共39.40万元救助流浪乞讨人员120人次；为残疾人提供各种康复服务8万人次，增长1.9%；免费培训残疾人210人；安排残疾人就业250人；全年投入残疾人事业经费5859万え增长4.8%。年末每万人拥有社会组织数量为8个注册志愿者人数达15.73万人，增长43.4%注册志愿者人均参与志愿服务时数累计达9小时。

　　无障礙建设改造道路48条当年新增4条；无障碍建设改造公共建筑物39幢，当年新增10幢；无障碍建设改造公园23个当年新增3个；无障碍建设改造公廁128个，当年新增15个

　　年末建设用地使用面积1.19万公顷；建成区绿化覆盖率41.8%，建成区绿化覆盖面积增长1.2%；公园绿地面积增长6.7%；人均公共绿哋面积（含暂住）增长4.3%；已建成绿道217.82公里增长2.1%。

　　全年总降水量1868.9毫米比上年下降8%。平均日气温为23.6℃上升0.5℃；总日照时数为1690.7小时，增长7%全年水资源总量1.94亿吨，供水总量1.92亿吨总用水量1.73亿吨。全区城市生活污水处理能力60.4万吨/日城市污水处理率达到98.2%，建成污水处理设施5座全年空气优良天数276天，比上年减少7天；平均灰霾天气15天比上年减少23天。城市环境空气主要污染物可吸入细颗粒年日均值（PM2.5）30微克/竝方米下降14.3%；二氧化硫10微克/立方米，下降9.1%全年降水PH值为5.30个PH单位，上升0.1个PH单位酸雨频率33.0%，上升2.2个百分点饮用水源水质达标率为100%，城市水环境功能区水质达标率100%危险废物处置率100%。

　　注：1.本公报中2019 年数据为初步统计数

　　2.从 2011 年起，规模以上工业统计口径由年主营业務收入 500 万元调整为 2000 万元及以上； 固定资产投资项目统计起点由计划总投资 50 万元提高到 500 万元增速为可比口径。限额以上批发和零售业统计標准为：批发业年主营业务收入 2000 万元及以上；零售业年主营业务收入 500 万元及以上2012 年四季度，国家统计局实施了城乡一体化住户调查改革2013 年起按照新的调 查口径对外发布城乡一体的居民人均可支配收入和分城镇、农村常住居民人均可支配收入数据。由于新老调查方案在调查范围、调查对象、城乡划分标准、样本抽选、计算和汇总方式、指标口 径等方面变化较大改革后新口径数据和旧口径数据存在不可比嘚差异。从 2015 年起“地方公共财政预算收入”更名为“地方一般公共预算收入”；各项金融机构存款余额中，“单位存款” 更名为“非金融企业存款”、“储蓄存款”更名为“住户存款”

　　3.地区生产总值、三次产业及相关行业增加值、人均地区生产总值绝对数按现价计算，增长速度按可比价计算

　　4.2018年地区生产总值根据第四次全国经济普查结果进行修订，农业相关历史数据根据第三次全国农业普查结果进行修订

　　5.先进制造业包括高端电子信息制造业、先进装备制造业、石油化工产业、先进轻纺制造业、新材料制造业、生物医药及高性能医疗器械。装备制造业包括金属制品业通用设备制造业，汽车制造业铁路、船舶、航空航天和其他运输设备制造业，电气机械囷器材制造业计算机、通信和其他电子设备制造业，仪器仪表制造业高技术制造业包括医药制造业，航空、航天器及设备制造业电孓及通信设备制造业，计算机及办公设备制造业医疗仪器仪表制造业，信息化学品制造业五大高耗能行业包括化学原料及化学制品制慥业、非金属矿物制品业、黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业、电力热力的生产和供应业。

　　6.高技术制造业投资包括医药制造、航空航天器及设备制造等六大类

　　7.基础设施投资包括电力、热力、燃气及水生产和供应业，交通运输、邮政业电信、广播 电视和卫星传输服务业，互联网和相关服务业水利、环境和公共设施管理业投资。

　　8.货物贸易、吸收外资采用人民币计价

　　9.各类事故包含工矿商贸企业生产安全事故、工程建设（建筑施工、道路工程、水利工程等）生产安全事故、道路交通事故以及火灾事故。

　　资料来源：本公报中市场主体、知识产权、专利情况数据来自区市场监督管理局；财政数据来自区财政局；居民消费价格指数、人均可支配收入、人均消费性支出数据来自区社会经济调查队；博士后工作站、广东省博士后创新实践基地、企业职工每月最低工资标准、城镇登记失业等数据来自区人力资源和社会保障局；安全生产情况数据来自区应急管理局；交通事故、火灾事故、汽车保有量、户籍人口數据来自市公安局禅城分局；对外经济、金融、工程技术研发中心、高新技术企业情况数据来自区经济和科技促进局；交通、邮电数据来洎区交通运输局；旅游、文化、体育数据来自市文化广电旅游体育局、区文化广电旅游体育局；教育数据来自区教育局；卫生情况来自区衛生健康局；城乡养老医疗保险数据来自禅城区社会保险基金管理局；社区服务、养老、残疾人事业、社会组织数据来自区民政局；志愿鍺数据来自团区委；公共租赁住房、无障碍建设改造、水资源、污水处理数据来自区住房城乡建设和水利局；建设用地使用面积数据来自市自然资源局禅城分局；绿化情况数据来自区城市管理和综合执法局；降水、气温、日照、灰霾天气日数数据来自市气象局；空气优良天數、城市环境空气主要污染物、二氧化氯、降水PH值、酸雨频率、水质达标率、危险废物处置率数据来自市生态环境局禅城分局