FCOS:基于anchor-free的单阶段目标检测的方法和实验分析

论文链接：https://arxiv.org/pdf/1904.01355.pdf

开源代码链接：https://github.com/tianzhi0549/FCOS

一、主要贡献：

1. 将检测与其他全卷积网络可解决的任务统一起来（例如语义分割），可轻松重复的使用这些任务中的方法；

2. 将检测变成一个anchor-free的任务，这将极大地设计参数的数量，减少了这部分各种未知的trick，并且避免了复杂的IOU计算与训练期间的anchor boxes 和 ground-truth boxes匹配，显存也减少了2倍左右；

3. 取得了的state-of-the-art的结果并且FCOS可以被用作RPN，建议社区重新考虑下在目标检测方面anchor-based的必要性；

4. 该方法在简单的改变后也可被用到其他的视觉任务中，如实例分割和关键点检测。

主要网络结构如下图所示：

二、理论方法部分：

1. 全卷积的单阶段网络（FCOS）

类别数C==80，FCOS检测是以基于feature map的一种类似与语义分割的的逐像素的过程，即把每个level的feature map上所有location (x，y)当做训练样本，在这之前要通过公式（s/2 + x*s，s/2 + y*s）先把feature map上所有的location映射回原图的位置。

正样本：某个location (x，y)落在任何ground-truth bounding boxes内并且对应的类别C也在ground-truth类别中。

负样本：不满足正样本的条件的location (x，y)，并且类别C别置为0（背景类）

模糊样本：某个location (x࿰