GitHub：
arxiv：https://arxiv.org/abs/1903.00621
基于anchor-free的one-shot目标检测方法（CVPR2019）
在coco数据集上 达到MAP=44.6%的好成绩。
亮点：针对特征金字塔（Feature Pyramid）过去简单粗暴的目标分配方式（大目标在高层特征，小目标在底层特征）。提出了使用较强监督能力的head去计算该目标在不同特征分支上的得分，之后将该目标分配给最高得分的特征分支进行检测。
下面对整个文章做较详细的介绍：
针对图像多尺度的特性，特征金字塔在目标检测中发挥着重要的作用。通过特征金字塔的多级感知能力，高层通过较高的语义信息以及大感受野来检测大目标，低层通过较详细的语义特征以及小的感受野来检测小物体。
但是，文章中指出了传统只通过目标size判定其在某一尺度特征上进行检测的方式是存在问题的。如图Figure2中所指，40×40和50×50被分配到了同一层，而50×50和60×60则被分到了不同层。在无法指出合理性的时候，文章提出让模型自主的学习去选择目标合适的特征分支。文中称此方法为Online feature selection。
实现方法：如图figure3。在训练阶段，每个目标均被分配给所有特征金字塔的分支进行监督训练（anchor-free branch）。
如下图Figure6所示，对每条分支上的anchor-free branch的loss值做判断，取loss值最小的特征图来判断目标（对应修改各分支上的label信息即可）。
将FSAF模块应用在RetinaNet中，如图下图Figure4，添加两条anchor-free branch，一个是用来判断分类的（w×h×k），另一个是用于框回归的（w×h×4）。之后会对这两个分支和其loss计算做详细的介绍。
loss计算
定义loss的过程中，anchor-free branch包括分类分支和框回归分支两项。如下图Figure5。
1.分类：白色区域，这部分作为正样本参与loss计算，文中取参数为0.2，即当目标大小为w×h时，白色区域框大小为0.2w×0.2h；灰色区域，为忽略区域，不做计算，文中取【0.2，0.5】参数。即（0.2w-0.5w）×（0.2h-0.5h）为灰色区域；其他区域为负样本，进行梯度计算。共k类，损失函数使用Focal loss。整个分类loss是所有非忽略区域的focal loss的和，最后使用所有像素数量对loss做归一化。
2.框回归：每个有效区域均对应四个方向的偏移量图。分别计算（i，j）距四个边界的距离，形成label。使用iou loss进行优化。
3.最后的loss包括retinanet的loss（L1）,分类loss（L2），回归loss（L3），则L=L1+λ×（L2+L3）。λ文中取0.5。
inference过程：
在这过程中，anchor-free预测的分数前1k个目标（每个分支上）并且分数大于0.5，将其结果与anchor-based结果融合，之后做nms，得到最后的结果。
结果：还是有不错的提升的。
