本文探讨了目标检测中一直存在的一个问题，网络的结构和分类、分割有很大的不同，整个流程太复杂，主要原因是anchor的使用，我们知道，从RCNN开始使用selective生成密集box，到faster rcnn使用RPN模块来生成密集anchor，这种方法在目标检测中取得了很大的成功。但是这种方式背离了全卷积这种优雅的结构方式，因此作者这里提出了一种不依赖anchor的方法。
一、Introduction
基于anchor检测方法的缺点：（1）检测的效果对anchor的大小、宽高比和数量很敏感。（2）由于anchor的大小和宽高比是固定的，因此网络对和设定的anchor相差较大的目标效果不好，特别是小目标。（3）由于anchor的数量密集，但是大部分是negative的，这会造成训练样本的不均衡，要靠人工筛选限定的方式来解决这个问题。（4）在训练过程中需要大量计算IoU，这需要的计算量很大。
二、Related work
Yolo v1直接使用回归的方式去计算目标框，我们知道这种方法的漏检率比较高，特别是对于小目标，根本原因是网络只是利用了目标框的中心点所在的格子来检测，而这个数量是比较少的，对于特征图没有充分的利用。
CornerNet是基于关键点的检测，不仅计算量大而且对现有的网络架构不适合。
三、FCOS
1、：网络的第i层特征图，s代表stride步长。
代表gt_box。
、
分别代表左上角和右下角的坐标。
：物体类别。
对于中的任意一个点
，其在原图上对应的组标为
，如果
落在gt_box内部，则其为positive，我们计算
距离gt_box四条边的距离，分别为
，回归的目标为
，具体如下图左边部分。
2、网络输出
（1）分类分支：，这里不是直接进行c分类，而是改为c个二分类。
（2）回归分支：，因为我们知道回归的目标肯定是正的，因此我们用指数函数exp(x)作用在网络的输出结果上。我们知道exp函数的取值范围是
，因此这种做法是合理的。
（3）在分类分支旁边新增要给center-ness分支，迎来抑制距离gt_box中心较远的，维度为：
（4）借鉴focal loss中的做法，在每个分支的head中增加4个卷积层，而且这个head在FPN的结构中是共享的。
3、loss
其中是focal loss，
是IoU loss，这里可以考虑改用GIoU loss或者DIoU loss。
四、FPN结构
基于anchor的方法，是在不同的特征图中使用不同大小的anchor。我们这里的做法是直接使用限制回归的范围，在不同特征图中回归不同大小的目标，原则就是在低层中检测小目标，在高层中检测大目标。如果或者
，则设置为negative。其中，
。
基于这个原则，不同大小的目标会被分配到不同的层，如果一个location属于两个目标（即重叠目标），而且这个两个目标被分配在了同一个特征图，那么将其选择为小物体。
在上面的介绍中，我们知道，不同大小的特征图共享head，这种方法看起来是不合理的，所以我们这里对标准的exp函数进行修改，用
代替，这里
是一个可训练的变量以适用于不同大小的特征层
。
五、center_ness for FCOS
cnter-ness描绘的是和gt_box中心点的距离，需要回归的目标为：
这里使用的损失函数是BCE loss，而且最终的loss需要加上这里的BCE loss。
注：（1）在inference阶段，目标得分=center-ness * 分类得分。
（2）作者的试验中，center-ness结构放在回归分支结果会更好。
