论文链接
一.背景
1.anchor-base缺点
(１)．anchor的设置对结果影响很大,不同项目这些超参都需要根据经验来确定，难度较大．
(２)．anchor太过密集，其中很多是负样本，引入了不平衡．
(３)．anchor的计算涉及IOU增加计算复杂度．
2.anchor free检测框
yolov1可看成是anchor free方式，通过划分格子，target的中心点位于格子里的，才将相应的格子负责预测target.而yolov2采用了anchor的思想．anchor遍布图片，自然召回率上升了．fcos取长补短,采取了gt框里的所有点进行回归，同时采用center-ness优化预测框中心点．
二.网络介绍
1.网络结构
输出分支主要由三部分组成
（１）classification,大小为(W,H,C),输出不同类别
（２）Regression，大小为(W,H,4),输出图上每个点的上下左右偏差
（３）Center-ness大小为(W,H,1),预测检测框中心点与gt检测框的中心点的重合概率，用来提升检测框精度，下面有具体分析．
2.中心采样（center sampling）
对于任何一个gt bbox，首先映射到每一个输出层，利用center_sample_radius×stride计算出该gt bbox在每一层的正样本区域以及对应的left/top/right/bottom的target.
对于每个输出层的正样本区域，遍历每个point位置，计算其max(left/top/right/bottom的target)值是否在指定范围内，不再范围内的认为是背景.
(1).减少歧义target数目,能很大解决overlap特征点不知道该回归那个框的问题
(2).减少标注噪声干扰
box标注通常会框住很多无关区域,如果无关区域的point也要回归明显不对，比如空中的飞机，飞机旁边的天空就是无关区域．
3.FPN
通过FPN在每层feature map去预测不同尺度大小的物体，就解决了这种overlap的问题(overlap特征点不知道该回归那个框)．
如果FPN和中心采样还没解决的话，就按最小的框来．
同时FPN每一层回归范围进行约束.
P3:回归范围在[0,64],P4:回归范围在[64,128],P5:回归范围在[128,256]
P6:回归范围在[256,512],P7:回归范围在[612,inf],这样就解决了不同层预测不同大小目标的问题．
4.分类
训练Ｃ个二分类器，而不是训练一个多分类器．
5.坐标回归
anchor-based回归方式在于回归anchor与gt框之间的偏移量，而fcos在特征图上面的每一个点回归上下左右的距离(可认为是point-based)．
公式:
(l ∗ , t ∗ , r ∗ , b ∗ ) :回归的上下左右四个量;
(x0,y0),(x1,y1):gt在原图上面的左上右下坐标;
(x,y):特征图内的点的坐标;
s: 相应feature map的步长, 用于压缩预测范围，容易平衡分类和回归Loss权重.
6. center-ness
作者发现引入了很多远离taget中心点的低质量预测框,预测框的中心点与target框的中心点更接近的话，预测框更加可靠．所以在回归的分支引入center-ness分支来回归预测框中心与target中心，虽然是回归问题，但采用的是celoss
可看出低IOU但score高的box得到了很大减少，IOU和score的一致性得到了改善．
7.loss函数
Lcls: focal loss
Lreg: GIoU loss
Npos:正样本数据
λ:取１平衡回归与分类loss
centerness loss用于约束预测框中心与gt中心点，直接与上面分类与回归相加即可，在推理时，输出的score为分类score乘以中心score．
8.推理
获取feature map上每个点的分类score在与回归的四个边界进行组合即可得出预测框．在进行阈值0.6的NMS.
三.实验结果
