目标检测系列文章
yolo v1原理：https://blog.csdn.net/cjnewstar111/article/details/94035842
yolo v2原理：https://blog.csdn.net/cjnewstar111/article/details/94037110
yolo v3原理：https://blog.csdn.net/cjnewstar111/article/details/94037828
SSD原理：https://blog.csdn.net/cjnewstar111/article/details/94038536
FoveaBox：https://blog.csdn.net/cjnewstar111/article/details/94203397
FCOS：https://blog.csdn.net/cjnewstar111/article/details/94021688
FSAF: https://blog.csdn.net/cjnewstar111/article/details/94019687
FCOS的结构：
每一个FPN的分支都输出一个H*W*C的类别预测，一个H*W*1的CenterNess，一个H*W*4的位置
CenterNess的作用：
为了消除离开中心点较远的预测框。具体是如何实现的呢？如下图所示，在预测中，分类模块有两个地方都输出了狗的相应，然后结合对应位置的位置输出，那么可以得到两个预测框。实际上会得到更多，因为所有在狗范围内的分类模块都有输出。那么如何抑制那些不好的预测框呢。答案就是使用CenterNess。CenterNess经过训练之后，已经可以对中心点和远离中心点做一个区分，那么结合Center Ness的输出，就可以抑制掉图中不好的预测框2#。只留下预测较好的框1#。
centerness的计算公式如下图所示：离开中心点越近的像素点，其centerness越接近1，反之越接近0.那么经过训练之后，CenterNess就能够比较好的区分像素离开中心点的距离。
思考：为什么不能再H*W*C的结构上面直接结合CenterNess呢？何必在重新增加一个分支做CenterNess？
FCOS如何消除重叠现象：
anchor-free检测的一个细节问题就是重叠。FCOS认为重叠一般是大物体和小物体发生。那么在训练的时候，根据物体大小，使用不同的阈值，将不同大小的物体放在不同级别的特征图上进行预测，以此来消除重叠现象。
为什么早期的densebox unitbox等也使用了类似的方案，却没有火起来：
可能是因为早期没有使用FPN，导致只能在最顶层进行逐像素预测，从而丢失了浅层的小目标位置信息，效果没有基于anchor的好。但是现在随着FPN的使用，基于多个层级提取目标信息变得可能，从而使得这些原始的回归方法又得到发展。另外DenseBox使用图像金字塔，计算量太大。
参考资料：
论文：《https://arxiv.org/pdf/1904.01355.pdf》
CSDN: FCOS算法详解 —— 技术挖掘者