一、简介
FCOS提出了一种Anchor Free的detector head，在保证精度的同时降低了计算量，同时也减少了对Anchor超参的依赖。
Anchor Based的缺点
- 检测效果易受Anchor大小、比例、数目的影响。
- 难以处理形状变化较大的待检测对象。
- 为了提高召回率，Anchor based的模型通常会设置大量anchor box，在训练过程中大部分anchor box都是负样本，会加重训练过程中的正负样本不均衡问题。
- 引入了复杂计算，如IoU
主要思想
FCOS采用了的基于点的box回归预测，如Fig.1左所示，对feature map上的所有点所属的框进行预测，每个点预测4个量，到左边的距离（l），到上边的距离（t），到右边的距离（r），到下边的距离（b）。其实这种方法并不新鲜，但存在对于box重叠区域存在歧义，及如图Fig.1右所示，无法缺点这个点应该回归橙色框还是蓝色框，FCOS采用FPN的方法大大消除了这种歧义性。在远离box中心点的位置会产生许多低质量的预测框，为了降低这些低质量的预测框，FCOS引入了一个“center-ness”的分支来预测点到它所属box中心的距离，这个结果会降低低质量预测框的权重，并在NMS时融合过滤。
二、方法
1、基于点的框回归预测
FCOS将每个位置作为训练样本。具体来说，对于落在任意ground truth box的位置(x,y)，都被视为正样本，并根据box的标签设置class label，否则的话视为负样本，class label设为0。除此之外，每个位置还有一个4D vector
作为回归目标，分别代表该位置到左、上、右、下边界的距离。对于落在多个ground truth box中的歧义位置，FCOS简单的采用面积小的box作为回归目标。
由于使用每个位置作为训练样本，相比只用与ground truth box IoU大的Anchor box作为样本的Anchor based的方法，FCOS在训练回归器时，对前景样本的利用更加的充分。
2、使用FPN进行多尺度预测
使用FPN解决了两个问题：
- 在深层feature map上做预测best possible recall（BPR）较低的问题
- 多个ground truth box重叠的情况。
FCOS限制了每层FPN回归目标的尺度，如果
或者
则这个位置被认为负样本，不进行box回归。
通常FPN的detector是参数共享，但FCOS在不同尺度进行回归的范围是不同的，所以FCOS在不同level进行回归时又引入了一个可学习的系数。
3、Center-ness
由于在远离目标中心 的位置会产生许多低质量的预测框，FCOS引入了center-ness分支来压缩这些低质量的预测框。如图Fig.2所示，center-ness branch 与classification branch并行。
center-ness分支用来预测每个位置到目标中心的距离，如图Fig.3。在预测阶段，classification score 会乘上center-ness的输出，从而降低远离目标中心预测框的影响。center-ness target定义如下
三、实验
Center-ness 消融实验
有意思的时，把center-ness合并到regression里（第二行）没有任何提升。
与RetinaNet对比
与State-of- the-art对比
