FCOS: Fully Convolutional One-Stage Object Detection，全卷积一阶目标检测，但是与经典的one_stage检测器，例如ssd，yolo不一样的是，FCOS摆脱了anchor框的限制，即anchor_free。本博文以mmdetection中的fcos代码为走向，来介绍这个检测器。

一、网络整体框架

C3，C4，C5是基础网络输出的feature map，P3，P4，P5是FPN的结构，P6由P5下采样得到，P7则由P6下采样获得，P3，P4，P5，P6，P7 是用来做分类和回归的特征层。
下图是输入图片是800x1024的情况下的网络尺寸，从网络输出有三个分支，从上到下依次是cls_scores分支，centerness分支和box_pred分支。

二、feature map原图映射点，get_points函数

P3、P4、P5、P6、P7这5个级别的特征图按照
的映射关系，将特征图上的坐标（x，y）映射到原图上的相应坐标，其中s是每个级别层上的stride，例如P3层，stride是8，坐标（0，0）映射到原图为（4，4）。

P3到P7的预测点为100x128+50x64+25x32+13x16+7x8=17064个点，到映射到原图上。
mmdetection中获取point的代码如下：

三、根据gt_boxes将points分为正负样本点，并计算正样本点与gt_boxes的偏移量，get_target函数

计算所有的points与每个gt_boxes的位置偏移量，即（l,t,r,b）例如下图黄色框是gt_box，其左上角坐标为（xmin,ymin）（x_{min}, y_{min}）（xmin​,ymin​），右下角的坐标为（xmax,ymax）（x_{max}, y_{max}）（xmax​,ymax​），黄色圆点是point预测点，坐标为（x,y)（x, y)（x,y)。计算公式如下：
l=x−xmin l = x - x_{min}l=x−xmin​ t=y−ymin t = y - y_{min}t=y−ymin​ r=xmax−xr = x_{max} - xr=xmax​−x b=ymax−y b = y_{max} - yb=ymax​−y

但是,并不是所有的17064个point点都是正样本，因此正样本point有两个条件：1、point在gt_boxes内部，即（l,t,r,b）最小值大于0；2、限制回归值在每层的回归范围内，P3层到P7层的回归范围依次是(-1, 64), (64, 128), (128, 256), (256, 512),(512, INF)，即（l,t,r,b）最大值要在当前层的范围内。剩下的都看作是负样本点。当然，在两个条件后，有些正样本点对应多个gt_boxes，我们选择面积最小的那个gt_boxe和该点匹配。
mmdetection中计算box_target的代码如下：

四 计算centerness分支的target值，即centerness_target函数

fcos虽然也使用了多层预测，但是fcos和anchor_base的检测器还是有性能的差距，主要是因为，正样本点中，在目标框中心的正样本点的要比偏离中心点的正样本点质量好，那些低质量的正样本点影响了回归的准确率。于是提出center_ness的策略来抑制低质量的检测框。
计算centerness_target是为了训练centerness分支，centerness_target的计算方式，直接反映了该分支的作用：

center_ness即中心点度量的意思，通过上面的公式，来度量样本点距离中心点的距离，centerness的值范围是（0，1）,接近1时，说明该point在目标框的中心点附近，接近0时，说明距离中心点很远，那些些距离中心点很远的都是低质量的预测边界框，因此，centerness相当于样本点的权重来使用。
在训练时，centerness分支是回归loss的权重，在测试时，centreness分支与score分支相乘，作为最终的目标框分数。

上图是center_ness的热力图，红色、蓝色、中间色分别代表1，0，0到1的其他值，可以看到，靠近中心点的正样本的center_ness值区域1，偏离中心点的趋于0。
mmdetection中计算centerness_target的代码如下：

五　三个分支的训练loss

cls_scores分支，采用focal_loss;
bbox_pred分支，采用iou_loss，centerness值为权值
center_ness分支，采用CrossEntropyLos

六　总结

anchor_base的检测器中，anchor相当于预先设定的滑动框，分类器的正负样本是基于anchor框的，然后在正样本anchor框的基础上，回归目标框的位置。anchor框需要很多参数来设定，不同的检测场景，需要调整anchor框的参数来提高检测召回率。除此之外，正负样本的判断是anchor框和gt框的iou值是否大于阈值，阈值的设定，对检测结果的设定影响也很大。另外anchor_base的检测器，是在预定anchor的基础上进行回归操作的，这种回归，anchor框的设定直接影响结果。
fcos是anchor_free检测器，不需要在样本点上预先设定anchor框，而是直接在样本点上进行回归，正负样本点的判断是根据该样本点是否在目标框中，而不在依据样本点上的anchor框与gt框的iou来判定。虽然没有anchor框宽高的设定，但是设置了每层的回归范围，例如P3层的回归范围是（-1，64）。anchor框类似于离散的宽和高，回归范围类似于连续的(-1,64)