FCOS: Fully Convolutional One-Stage Object Detection，全卷積一階目标檢測，但是與經典的one_stage檢測器，例如ssd，yolo不一樣的是，FCOS擺脫了anchor框的限制，即anchor_free。本博文以mmdetection中的fcos代碼為走向，來介紹這個檢測器。
一、網絡整體架構
C3，C4，C5是基礎網絡輸出的feature map，P3，P4，P5是FPN的結構，P6由P5下采樣得到，P7則由P6下采樣獲得，P3，P4，P5，P6，P7 是用來做分類和回歸的特征層。
下圖是輸入圖檔是800x1024的情況下的網絡尺寸，從網絡輸出有三個分支，從上到下依次是cls_scores分支，centerness分支和box_pred分支。
二、feature map原圖映射點，get_points函數
P3、P4、P5、P6、P7這5個級别的特征圖按照
的映射關系，将特征圖上的坐标（x，y）映射到原圖上的相應坐标，其中s是每個級别層上的stride，例如P3層，stride是8，坐标（0，0）映射到原圖為（4，4）。
P3到P7的預測點為100x128+50x64+25x32+13x16+7x8=17064個點，到映射到原圖上。
mmdetection中擷取point的代碼如下：
三、根據gt_boxes将points分為正負樣本點，并計算正樣本點與gt_boxes的偏移量，get_target函數
計算所有的points與每個gt_boxes的位置偏移量，即（l,t,r,b）例如下圖黃色框是gt_box，其左上角坐标為 （ x m i n , y m i n ） （x_{min}, y_{min}） （xmin,ymin），右下角的坐标為 （ x m a x , y m a x ） （x_{max}, y_{max}） （xmax,ymax），黃色圓點是point預測點，坐标為 （ x , y ) （x, y) （x,y)。計算公式如下：
l = x − x m i n l = x - x_{min} l=x−xmin t = y − y m i n t = y - y_{min} t=y−ymin r = x m a x − x r = x_{max} - x r=xmax−x b = y m a x − y b = y_{max} - y b=ymax−y
但是,并不是所有的17064個point點都是正樣本，是以正樣本point有兩個條件：1、point在gt_boxes内部，即（l,t,r,b）最小值大于0；2、限制回歸值在每層的回歸範圍内，P3層到P7層的回歸範圍依次是(-1, 64), (64, 128), (128, 256), (256, 512),(512, INF)，即（l,t,r,b）最大值要在目前層的範圍内。剩下的都看作是負樣本點。當然，在兩個條件後，有些正樣本點對應多個gt_boxes，我們選擇面積最小的那個gt_boxe和該點比對。
mmdetection中計算box_target的代碼如下：
四 計算centerness分支的target值，即centerness_target函數
fcos雖然也使用了多層預測，但是fcos和anchor_base的檢測器還是有性能的差距，主要是因為，正樣本點中，在目标框中心的正樣本點的要比偏離中心點的正樣本點品質好，那些低品質的正樣本點影響了回歸的準确率。于是提出center_ness的政策來抑制低品質的檢測框。
計算centerness_target是為了訓練centerness分支，centerness_target的計算方式，直接反映了該分支的作用：
center_ness即中心點度量的意思，通過上面的公式，來度量樣本點距離中心點的距離，centerness的值範圍是（0，1）,接近1時，說明該point在目标框的中心點附近，接近0時，說明距離中心點很遠，那些些距離中心點很遠的都是低品質的預測邊界框，是以，centerness相當于樣本點的權重來使用。
在訓練時，centerness分支是回歸loss的權重，在測試時，centreness分支與score分支相乘，作為最終的目标框分數。
上圖是center_ness的熱力圖，紅色、藍色、中間色分别代表1，0，0到1的其他值，可以看到，靠近中心點的正樣本的center_ness值區域1，偏離中心點的趨于0。
mmdetection中計算centerness_target的代碼如下：
五 三個分支的訓練loss
cls_scores分支，采用focal_loss;
bbox_pred分支，采用iou_loss，centerness值為權值
center_ness分支，采用CrossEntropyLos
六 總結
anchor_base的檢測器中，anchor相當于預先設定的滑動框，分類器的正負樣本是基于anchor框的，然後在正樣本anchor框的基礎上，回歸目标框的位置。anchor框需要很多參數來設定，不同的檢測場景，需要調整anchor框的參數來提高檢測召回率。除此之外，正負樣本的判斷是anchor框和gt框的iou值是否大于門檻值，門檻值的設定，對檢測結果的設定影響也很大。另外anchor_base的檢測器，是在預定anchor的基礎上進行回歸操作的，這種回歸，anchor框的設定直接影響結果。
fcos是anchor_free檢測器，不需要在樣本點上預先設定anchor框，而是直接在樣本點上進行回歸，正負樣本點的判斷是根據該樣本點是否在目标框中，而不在依據樣本點上的anchor框與gt框的iou來判定。雖然沒有anchor框寬高的設定，但是設定了每層的回歸範圍，例如P3層的回歸範圍是（-1，64）。anchor框類似于離散的寬和高，回歸範圍類似于連續的(-1,64)