論文：FCOS: Fully Convolutional One-Stage Object Detection
0.簡介
摘要：
- one-stage；44.7% in AP with single-model and single-scale testing
- solve object detection in a per-pixel prediction fashion
- anchor-free
- simple。所有anchor相關的超參沒有了；不用通過計算IOU來決定誰是能參與訓練與預測的positive sample。（當然，選出的高分positive樣本，在訓練時，還是要和ground truth計算IOU的）
作者點名叫板FasterRCNN, SSD, YOLO這些anchor-based模型，指出如下存在的問題：
- 模型效果對anchor的超參敏感。如每個點對應的anchor數量、大小、比例。
- 儘管anchor設定了幾個大小、比例，但這些尺寸仍然是固定的。無法處理尺度跨度較大的目標們。
- 正負樣本不平衡。每張圖有180K個anchor-boxes，但大部分都是負樣本。
- 決定哪些是正樣本來參與訓練與預測，也需要如IOU這樣很大 的運算量。
並呼籲整個領域一起思考，所謂的目標檢測正規化——anchor，真的是必需的嗎？
作者稱自己新的框架有如下優勢：
- 現在目標檢測和其他任務結合了。可以複用其他領域（語義分割）關於FCN的idea。
- 減少了設計的引數。
- 避免計算了IOU來決定誰是能參與訓練與預測的positive sample。效率高。
- FOCS也可以被當作一個RPN，用到two-stage檢測器中。比anchor-based的RPN更好用。
1.網路結構
ResNet+FPN網路，後接幾個分支，其中一個是分類，分類採用的C個分類器二分類，這些都不用多說，重點是Regression和Center-ness分支。Regression預測不是anchor-box/proposed-rigon的調整了，而是直接預測feature-map上一點所屬於某一目標的框的大小（l, t , r ,b）。Center-ness是為了減少一些低質量的點預測出的目標框，每個點預測出一個（0，1）的係數，它描述的是此點與預測出的框的中心的舉例。最終給預測框排序是按Center-ness與分類得分乘積的結果來排。
2.框迴歸——直接、自由
作者捨棄anchor-based的方法，迴歸階段不是預測anchor-box/proposed-rigon的調整，直接預測一個物體的大小、比例，完全自由，輸出結果（l, t, r ,b）——此點到物體框的左、上、右、下距離，就確定了整個物體框的大小、比例，而點也不是在框的正中心了。如果一個位置的點，落在了多個bounding box裡，就產生了歧義，作者直接規定選擇最小面積的那個作為他的迴歸目標（這裡說的應該是多尺寸網路的問題吧，指特徵圖上一個點在不同尺度分支裡預測了多個物體，返回到原圖正好是一個點，那麼在原圖中選擇要區域小的那個）。
3.Center-ness
在FOCS中用了多尺度預測後，發現具體那些anchor-based演算法還有不小差距。作者觀察到是因為是由於很多距離物體中心很遠的location點預測出了質量很低的bounding box。於是在網路中加入center-ness ，來抑制這些點。
與分類分支平行的地方加入center-ness分支（在COCO資料集上，如果加在與regression平行的地方會得到更好的AP，但本文預設前者設計，正如第一節中的網路結構圖），對於feature map上的每個點，此分支輸出一個（0，1）的數值，它描述的是此點舉例它負責的物體的框的中心的距離（注意因為在FCOS中，position點已經不是物體框正中心了嘛。），在測試階段，選擇positiive的bounding box所根據的final score排序，來源於center-ness×分類得分。（訓練階段應該是沒有這樣操作一下，只是把這部分算了一下BCE-loss加在總的loss裡了）最後NMS得出最終檢測結果。
