1、motivation
anchor-base的目标检测存在弊端：anchor超参设置困难、anchor计算量和资源需求大、anchor都是基于场景的，难以迁移、anchor密集采样正负样本更加不均衡。
2、methodology
整体思路：使用one-stage的FCN完成检测，每个点进行分类、距离回归和centerness回归。centerness应该是本文最出彩的idea。
backbone：FPN基本和RetinaNet一样，只有一个小区别：FCOS的P6 feature map由C5产生，RetinaNet是P5。
至于P6和P7为什么没有上采样融合，有位同学分析是《FPN结构在高层的语义特征进行融合效果并不好，所以构建FPN没有必要使用所有的卷积层。但为了尺度的多样性，在其后面加入了P6/P7》，但我更倾向于作者发现不融合的map更高...
head：两个分支，预测三组：分类 + centerness + 长宽距离回归。在后期的改今版本中，centerness放到了距离回归分支。猜测是centerness的定义和长宽距离更相关。
centerness：表示的是(x,y)距目标中心的标准化后的距离，为了制止过多的低质量离目标中心远的检测框而设计。可以帮助筛除低质量的预测，由于小目标的centerness较小，容易被过滤，可以用IOU代替。
目标分配：对FPN每层回归的bbox尺寸范围直接做出限制，不在尺寸范围内的目标不再回归，如果有目标重合，取小的目标，应该是大目标样本较多，小目标少，借此小目标增强。这个强制分配和FSAF的自动分配相反。优势是可以解决目标重叠问题，且对小目标友好。
label分配：GT bbox 内的点，都是正样本。可以改进为FSAF的中心为正，外部为负，之间为忽略；或centernet类似从中心向四周衰减。
loss：分类-focal loss；长宽距离回归IoU loss；centernet用BCE loss。
和FSAF比较：
1、目标在FPN层间的分配：FSAF是学习自动分配；FCOS是强制分配。
2、label分配：FSAF从内向外分为positive、ignore、negative；FCOS只要在GT BBOX内就为positive。
3、FCOS的centerness对回归结果评价好，可以有效去除低质量的预测框。推理阶段，检测框的排序分数=center-ness*分类置信度，可过滤大部分低质量预测框，剩余低质量框NMS后处理（centernet可以NMS-free是由于feature map只有一层，且有局部极值筛选+阈值后处理）。
