FCOS：Anchor-Free目标检测新方法

"FCOS 论文笔记：一种无需锚点的单阶段目标检测方法" FCOS（Fully Convolutional One-Stage Object Detection）是针对传统基于锚点（anchor）的目标检测算法提出的一种改进策略。传统的Faster R-CNN、SSD和YOLOv3等方法依赖预设的anchor boxes来捕捉不同大小和比例的目标，但这种方法存在一些固有问题。 首先，锚点的尺度、长宽比和数量直接影响检测性能。因此，基于anchor的模型需要对这些超参数进行细致的调整，增加了模型设计的复杂性。其次，固定尺度和长宽比的anchor在处理形状多变的目标时表现不佳，限制了模型的泛化能力。此外，为了获得高召回率，需要在输入图像上设置大量anchor，但大部分会被标记为背景，导致训练过程中正负样本不平衡，影响模型学习。 FCOS通过消除对anchor的依赖，解决了上述问题。它采用全卷积网络（FCN）架构，为特征图上的每个像素预测边界框（bbox），以此来定位目标。这种方法消除了对锚点尺寸和比例的预先设定，简化了模型设计，同时也减少了计算负担，如不再需要计算锚点与 ground-truth 的IoU（交并比）。 为了处理高度重叠的bbox导致的模糊样本问题，FCOS引入了Feature Pyramid Network (FPN)，它能有效地处理不同尺度的目标。同时，FCOS还引入了一个名为center-ness的分支，该分支用于抑制远离目标中心的低质量bbox，进一步提高检测质量。 FCOS的优势在于： 1. 它将目标检测与其他可由FCN解决的任务（如语义分割）统一，便于复用相关技术。 2. 模型无需锚点，简化了设计，减少了训练参数。 3. 去除锚点减少了计算复杂性，加快了训练和测试速度。 4. 在单阶段目标检测中取得了优秀的性能，甚至优于某些基于锚点的两阶段方法。 5. 可以轻松适应其他计算机视觉任务，如实例分割和关键点检测。 FCOS通过摒弃锚点机制，提出了一种更简洁、高效且具有高适应性的目标检测框架，对于理解和优化现代目标检测算法具有重要意义。