【计算机视觉】论文笔记-FCOS: Fully Convolutional One-Stage Object Detection

前言

此论文笔记为本人课堂小组展示，特此记录部分内容

前提知识

1.CNN与FCN：

CNN:卷积神经网络
FCN:全卷积网络
通常cnn网络在卷积之后会接上若干个全连接层，将卷积层产生的特征图（feature map）映射成为一个固定长度的特征向量。一般的CNN结构适用于图像级别的分类和回归任务，因为它们最后都期望得到输入图像的分类的概率，
FCN对图像进行像素级的分类，从而解决了语义级别的图像分割问题。与经典的CNN在卷积层使用全连接层得到固定长度的特征向量进行分类不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷基层的特征图（feature map）进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每一个像素都产生一个预测，同时保留了原始输入图像中的空间信息，最后奇偶在上采样的特征图进行像素的分类。
全卷积网络(FCN)是从抽象的特征中恢复出每个像素所属的类别。即从图像级别的分类进一步延伸到像素级别的分类。
简单的说，FCN与CNN的区别在于FCN把CNN最后的全连接层换成卷积层，输出一张已经label好的图。

2.FCOS:该算法是一种基于FCN的逐像素目标检测算法，

实现了无锚点，无提议的解决方案，并且提出了中心度的思想
通过逐像素预测的方式重新定义目标检测
c(i)是边界框中的对象所属的类，c为类数，对于MS-COCO数据集为80
基于锚点的检测器将输入图像上的位置视为(多个)锚点框的中心，并以这些锚点框为参考