one-stage-anchor-free-fcosnet：FCOS: Fully Convolutional One-Stage Object Detection

paper：https://arxiv.org/pdf/1904.01355.pdf

code：https://github.com/tianzhi0549/FCOS

我的复现：https://github.com/panchengl/pcldetection

    当年经典的SOTA算法，现在似乎有点精度落后（但依旧很高），但是近期paper团队有重新对fcosnet做了实验进行改进，精度直接冲到SOTA了（我记得coco-ap达到0.49了），改动在哪忘了，先讨论原版的文章结构，有时间再写新的paper的操作。

    首先本文是一篇anchor-free的文章，但是很多人认为fcosnet不算一个真正的anchor-free算法，区别于cornernet、centernet等，但是本文思路依旧很清晰，首先总结anchor-based算法4点不足：

    1、基于anchors的模型对anchors的大小、长宽比和数量很敏感，不同的超参数设置差异很大（github第一的efficientdet就是如此，anchors的超参数设置影响非常大）

    2、即使anchors设计好，固定的anchors也难以适应所有的形状目标，检测器很难适应，泛化性能不好

    3、为了高的召回率，模型会覆盖密集的anchor，但大都是negative example，导致样本不平衡

    4、anchors数量太多了，比如retinanet号称达到了anchors数量的极限，带来了复杂的计算量。

    然后paper提到了FCN，FCN在语义分割、关键点估计、深度估计等各个方面，但唯独目标检测没有使用，主要是由于存在anchor，那如果抛弃anchor，将FCN应用于目标检测，将这些任务都统一使用FCN来做，即以像素点来做，结果也是可以的。

    使用fcosnet以后，具有如下优点：

        1、检测器没有anchors了，无需严谨的设计参数，且检测器泛化简单，并极大地减少了计算量

        2、没有复杂的计算量以后，加快了训练和推理的速度，one-stage的典型。

        3、精度很高，甚至基于fcosnet的简单修改，可以应用于其他任务。