??本文探討了目標(biāo)檢測中一直存在的一個問題，網(wǎng)絡(luò)的結(jié)構(gòu)和分類、分割有很大的不同，整個流程太復(fù)雜，主要原因是anchor的使用，我們知道，從RCNN開始使用selective生成密集box，到faster rcnn使用RPN模塊來生成密集anchor，這種方法在目標(biāo)檢測中取得了很大的成功。但是這種方式背離了全卷積這種優(yōu)雅的結(jié)構(gòu)方式，因此作者這里提出了一種不依賴anchor的方法。

一、Introduction

??基于anchor檢測方法的缺點(diǎn)：（1）檢測的效果對anchor的大小、寬高比和數(shù)量很敏感。（2）由于anchor的大小和寬高比是固定的，因此網(wǎng)絡(luò)對和設(shè)定的anchor相差較大的目標(biāo)效果不好，特別是小目標(biāo)。（3）由于anchor的數(shù)量密集，但是大部分是negative的，這會造成訓(xùn)練樣本的不均衡，要靠人工篩選限定的方式來解決這個問題。（4）在訓(xùn)練過程中需要大量計算IoU，這需要的計算量很大。

二、Related work

??Yolo v1直接使用回歸的方式去計算目標(biāo)框，我們知道這種方法的漏檢率比較高，特別是對于小目標(biāo)，根本原因是網(wǎng)絡(luò)只是利用了目標(biāo)框的中心點(diǎn)所在的格子來檢測，而這個數(shù)量是比較少的，對于特征圖沒有充分的利用。
??CornerNet是基于關(guān)鍵點(diǎn)的檢測，不僅計算量大而且對現(xiàn)有的網(wǎng)絡(luò)架構(gòu)不適合。

三、FCOS

??1、：網(wǎng)絡(luò)的第i層特征圖，s代表stride步長。代表gt_box。、分別代表左上角和右下角的坐標(biāo)。：物體類別。
??對于中的任意一個點(diǎn)，其在原圖上對應(yīng)的組標(biāo)為，如果落在gt_box內(nèi)部，則其為positive，我們計算距離gt_box四條邊的距離，分別為，回歸的目標(biāo)為，具體如下圖左邊部分。

??（1）分類分支：，這里不是直接進(jìn)行c分類，而是改為c個二分類。

??（2）回歸分支：，因?yàn)槲覀冎阑貧w的目標(biāo)肯定是正的，因此我們用指數(shù)函數(shù)exp(x)作用在網(wǎng)絡(luò)的輸出結(jié)果上。我們知道exp函數(shù)的取值范圍是，因此這種做法是合理的。

??（3）在分類分支旁邊新增要給center-ness分支，迎來抑制距離gt_box中心較遠(yuǎn)的，維度為：
??（4）借鑒focal loss中的做法，在每個分支的head中增加4個卷積層，而且這個head在FPN的結(jié)構(gòu)中是共享的。
??3、loss

??其中是focal loss，是IoU loss，這里可以考慮改用GIoU loss或者DIoU loss。

四、FPN結(jié)構(gòu)

??基于anchor的方法，是在不同的特征圖中使用不同大小的anchor。我們這里的做法是直接使用限制回歸的范圍，在不同特征圖中回歸不同大小的目標(biāo)，原則就是在低層中檢測小目標(biāo)，在高層中檢測大目標(biāo)。如果或者，則設(shè)置為negative。其中，。
??基于這個原則，不同大小的目標(biāo)會被分配到不同的層，如果一個location屬于兩個目標(biāo)（即重疊目標(biāo)），而且這個兩個目標(biāo)被分配在了同一個特征圖，那么將其選擇為小物體。
??在上面的介紹中，我們知道，不同大小的特征圖共享head，這種方法看起來是不合理的，所以我們這里對標(biāo)準(zhǔn)的exp函數(shù)進(jìn)行修改，用代替，這里是一個可訓(xùn)練的變量以適用于不同大小的特征層。

五、center_ness for FCOS

??cnter-ness描繪的是和gt_box中心點(diǎn)的距離，需要回歸的目標(biāo)為：