FCOS中相较传统anchor-based方法中独特的地方

论文链接：FCOS原文
论文代码：FCOS代码

FCOS是anchor-freed one-stage 目标检测器，首先使用Backone CNN(用于提取特征的主干架构CNN)，另s为feature map之前的总步伐

FCOS与anchor-based方法不同的地方

• anchor-based方法是利用backbone，neck，head计算后得到feature map，然后通过预设的先验框进行回归分类，而FCOS得到featuremap后，将featuremap上的点映射回原图上，映射回原图上的坐标点为：（floor(S/2) + x* s, floor(S/2) + y* s） floor取下限。
• anchor-based判断正样本的方式是：anchor与GT的IOU > threshold则设为正样本，类别为该GT类别
  ，FCOS判断正样本的方式是映射回原图的点，如果落在GT中，则被认为是正样本，类别为该GT类别。
  注意： 映射回原图的点容易落在多个GT中，这样的样本点则被认为是模糊样本，可以利用FPN中的多级预测解决，后面会提到。
• 以往的算法都是采用多元分类器来分类，而FCOS采用C个二元分类器来分类。（C为类别数）
• anchor-based将不同尺寸的anchor分配给不同级别的特征图。而FCOS因为是anchor-free方法，它是直接限定不同层级的feature map回归范围，特征图大的则回归小目标物体，反之特征图小的则回归大目标物体，这样就解决了模糊样本的问题。
• FCOS中提出了center-ness，因为通过多级预测之后发现FCOS和基于锚框的检测器之间仍然存在着一定的距离，主要原因是距离目标中心较远的位置产生很多低质量的预测边框，FCOS提出了一个中心度的公式，如下：
  
  根据这个公式可以得出，离物体中心点远的center ness低，反之亦然，centerness会在loss计算的时候 * cls loss，这样低质量的预测框会在NMS的时候就被过滤掉。