FCOS: Fully Convolutional One-Stage Object Detection
論文：https://link.zhihu.com/?target=https%3A//arxiv.org/abs/1904.01355
Abstract：我們提出了一種全卷積的 one-stage 目標檢測器（FCOS），以每像素預測方式解決目標檢測，類似於語義分割。幾乎所有最先進的目標檢測器，如RetinaNet，SSD，YOLOv3和Faster R-CNN都依賴於預定義的錨框（anchor boxes）。相比之下，我們提出的檢測器FCOS不需要錨框，即 proposal free。通過消除預定義的錨框，FCOS完全避免了與錨框相關的複雜計算，例如在訓練期間計算重疊並且顯著減少了訓練內存。更重要的是，我們還避免了與錨框相關的所有超參數，這些參數通常對最終檢測性能非常敏感。憑藉唯一的後處理：非極大值抑制（NMS），我們的檢測器FCOS優於以前基於錨框的one-stage探測器，具有更簡單的優勢。我們首次展示了一種更加簡單靈活的檢測框架，可以提高檢測精度。我們希望提出的FCOS框架可以作爲許多其他實例級任務的簡單而強大的替代方案。
FCOS的網絡框圖：【Backbone】 + 【特徵金字塔（Feature Pyramid）】+ 【Classification + Center-ness + Regression】。這裏的 Center-ness 是本論文的創新之一。另外敲重點，本文之所以獨樹一幟，是因爲其 anchor-box free的思路
LOSS:
Regression:
centerness* :
