FCOS笔记

主要算法：

1. 下采样
2. 金字塔式的特征融合
3. 再将融合的进行下采样
4. 不同scale的特征融合结果都会接一个head用来后处理
5. 后处理部分有3个：
   （1）分类 （2）中心度 （3）回归（refine 检测ROI）

创新

(1)Centerness
(2) 解决了YOLO V1的问题，一个检测框里不能同时识别两个instances(也就是提高了小目标密集目标的recall)
* 用FPS解决了
(3)解决了YOLO V1的问题，一味下采样下去失去特征融合，且训练和inference的input必须一致

Loss

正样本：任一点落在GT里，且label预测与GT一致，且只有一个
负样本：没有落在GT里的
Ambiguous样本：任一点落在GT里，但是label显示有多个

Loss = focal loss + IOU loss（回归）

Focal loss

针对正负样本不平衡
来自于binary entropy, 加上了指数和平衡因子

IOU loss

centerness

预测越中心，越接近1. 中心度取0-1，使用binary entropy loss