论文阅读笔记 ：FCOS：Fully Convolutional One-Stage Object Detection

论文链接：https://arxiv.org/abs/1904.01355
本文是自己阅读完论文后为了方便回顾整理的笔记，如果有错误的地方欢迎在评论区指出。

基于锚点检测器的缺点：
1、锚框的尺寸、长宽比和数量等对检测性能有很大影响。
2、由于锚框的比例和长宽比保持固定，检测器在处理形状变化较大的候选对象时遇到困难，特别是对于小对象。预定义的锚框也妨碍了检测器的泛化能力，因为它们需要针对具有不同对象大小或长宽比的新检测任务进行重新设计。
3、为了实现高召回率，需要基于锚的检测器在输入图像上密集放置锚框。在训练过程中，这些锚定框大多被标记为负样本。负面样本数量过多，加剧了训练中正负样本的不平衡。
4、锚框还涉及复杂的计算，例如计算与真实边界框的交并比（IoU）分数。

基于FCN的框架进行对象检测的缺点：
1、必须对图像金字塔检测，违背了FCN所有卷积一次计算的理念。
2、应用于具有高度重叠边界框的通用对象时效果不佳。高度重叠的边界框导致了模糊性：对于重叠区域中的像素，不清楚要回归哪个边界框。

FCOS：利用gt box中的所有点来预测边界框，可能会在远离目标物体中心的位置产生一些低质量的预测边界框。为了抑制这些低质量的检测，引入了一个只有一层的”中心度“分支来预测一个像素点对其相应边界框中心的偏差。这个分数被用来降低低质量的检测边界框的权重，并在NMS中合并检测结果。

一、FCOS是什么？