本人最近在计算密集小物体检测时，首先应用retinanet进行检测，但用文献建议的从P3进行检测，检测的最小像素尺寸为10几个像素，检测不到图片中的小目标，本人对retinanet改进，加入p2，计算量特别大，偶然看见anchor-free的fcos算法，应用fcos进行检测很好的解决了小目标检测不到的问题。Fcos的创新点一个是anchor free，另一个是center-ness。
FCOS优势- FCOS与许多基于FCN的思想是统一的，因此可以更轻松的重复使用这些任务的思路。
- 检测器实现了proposal free和anchor free，显著的减少了设计参数的数目。通过消除锚框，新探测器完全免了复杂的IOU计算以及训练期间锚框和真实边框之间的匹配，并将总训练内存占用空间减少了2倍左右。
- FCOS可以作为二阶检测器的区域建议网络(RPN)，其性能明显优于基于锚点的RPN算法。
- FCOS可以经过最小的修改便可扩展到其他的视觉任务，包括实例分割、关键点检测；
FCOS的模型结构
FCOS的模型的主体和RetinaNet基本一样，包括Backbone、Neck以及Head的一部分。下图为Fcos的结构图。
Backbone
Backbone的主要作用是对提取图像中的特征，文中的backbone使用的是resnet结构，在P5的基础上，作者还进行了upsampling，在stage2中，每个feature map的channel都是256，接到stage2后面的head，是4个3*3的卷积层，输出均为256。
Neck
Neck的主要作用是对Backbone提取的特征进行特征融合，FCOS的Neck采用的是FPN的特征金字塔，FCOS为了增大感受野，检测更大的物体，通过下采样增加了P6、P7，不同Level的特征图对应不同的感受野，可以用于检测不同大小的物体。
Head
Head 用于对提取的特征检测目标物体：
- 输入图片，Backbone+Neck将生成5个level的特征图[P3,P4,P5,P6,P7],FCOS对每一个level特征图进行检测，将每个level特征图中的所有特征点作为anchor point；
- 将anchor point映射回原图中，并根据anchor point所在的特征层分配回归的范围，用于检测不同大小的物体。Fcos算法feature map中位置与原图对应的关系，如果feature map中位置未,映射到输入图像的位置是；
- 为每一个anchor point分配Ground truth(GT) 的label和Bounding box。对于每个anchor point与其他所有的Bounding box四条边的距离，判断四个值是否都大于0，大于0说明在Bounding box内部；第三步判断四个值是否在anchor point对应的回归范围内；
- 为每一个anchor point预测classification、regression、centerness的值，Classification输出类别维数，Regression输出4维，Centerness为1维；
- Fcos的损失函数包含两部分，根据GT的label和classification计算Classification的loss，使用focal loss；根据GT的bounding box和预测的bounding box计算Regression的Loss，使用的是IOU loss。Fcos算法的损失函数为： 0}}L_{reg}( t_{x,y},t_{x,y}^{*})" src="https://latex.codecogs.com/gif.latex?L%28%5Cleft%20%5C%7B%20p_%7Bx%2Cy%7D%20%5Cright%20%5C%7D%2C%5Cleft%20%5C%7B%20t_%7Bx%2Cy%7D%20%5Cright%20%5C%7D%29%3D%5Cfrac%7B1%7D%7B%20N_%7Bpos%7D%7D%5Csum_%7Bx%2Cy%7D%5E%7B%7DL_%7Bcls%7D%28%20p_%7Bx%2Cy%7D%2Cc_%7Bx%2Cy%7D%5E%7B*%7D%29+%5Cfrac%7B%5Clambda%20%7D%7B%20N_%7Bpos%7D%7D%5Csum_%7Bx%2Cy%7D%5E%7B%7Dl_%7B%7Bc_%7Bx%2Cy%7D%3E%200%7D%7DL_%7Breg%7D%28%20t_%7Bx%2Cy%7D%2Ct_%7Bx%2Cy%7D%5E%7B*%7D%29" />其中是类别的损失，是交并比的损失。
- Fcos会产生大量偏离目标中心的边界框，为抑制低质量的检测边界框，而不引入任何超参数，作者添加一个Center-ness的分支，与分类分支并行以预测”Center-ness”位置：centerness的参数如下图所示：
center-ness可以理解为一种具有度量作用的概念，在这里称之为"中心度"，中心度取值为0,1之间，使用交叉熵损失进行训练。测试时，将预测的中心度与相应的分类分数相乘，计算最终得分。因此，中心度可以降低远离对象中心的边界框权重，这些低质量边界框可能被最终的非最大值抑制(NMS)过程滤除，从而显著提高检测性能。
