FCOS算法详解

论文：FCOS: Fully Convolutional One-Stage Object Detection
论文链接：https://arxiv.org/abs/1904.01355
代码链接：https://github.com/tianzhi0549/FCOS/

这篇是发表在CVPR2019的目标检测论文，主要创新点在于去掉了anchor做检测，也就是常说anchor free，这是最近一段时间目标检测领域比较活跃的方向，比如ECCV2018上的CornerNet，再早一些的比如YOLO v1、UnitBox等等，这篇博客介绍FCOS。

先来聊一聊为什么要去掉anchor。众所周知，anhcor的引入对目标检测算法的效果提升帮助很大，这也是为什么最近几年流行的目标检测算法基本上都是基于anchor来预测目标框位置的。但是显然anchor的引入也带来一些问题，最主要的有2点：1、超参数较多。这些超参数包括anchor的尺寸、数量、确定正负样本的IOU阈值等等，不同的超参数对检测结果都有一定影响，而调参显然是比较麻烦的工作。当然，关于超参数方面也诞生了一些有意思的作品，比如YOLO v2的anchor聚类、RefineDet的anchor refine等，都是为了提供更准确的anchor。2、正负样本不均衡。因为一张图像中目标数量是有限的，为了达到足够的召回率，anchor数量一般要铺设比较多，这就导致负样本要远远多于正样本，虽然大部分目标检测算法有类似负样本欠采样等步骤做过滤，但都不能算是从根本上解决正负样本不均衡的问题。这或许就是研究anchor free的目