FCOS及其和Faster R-CNN的区别

RetinaNet，SSD，YOLOv3，Faster R-CNN等都是Anchor-based的检测器，即须要预约义的Anchor boxes来进行训练。FCOS是一种Anchor-free和Proposal-free的检测器，即不须要预约义Anchor boxes来进行训练，从而节省了对计算资源的占用。

根据个人理解，FCOS和Faster R-CNN的区别主要表如今：

(1) Faster R-CNN是每一个点提出N个Proposal，N通常等于9(预设了3种长宽比例，3种尺寸所以是9个Proposal)，每个Proposal的类别如何肯定呢？就须要计算Proposal和GT Box的IOU了，IOU达到必定的程度，Proposal就算是这个GT Box的类，要求这个Proposal回归到这个GT Box；而FCOS每一个点只提出一个Proposal，这个Proposal的类别如何肯定？就是这个点在哪个GT Box里面，它提出的Proposal就属于哪个GT Box的类，固然也要求这个Proposal回归到这个GT Box。可是感受Faster R-CNN的分类更好训练一些，毕竟Proposal和GT Box有比较大的IOU，FCOS靠近GT Box中心的点的类还比较好训练，距离中心比较远的点估计很差训练吧。

(2) FCOS多出来一个Center-ness：

这是由于距离目标中心越远的位置预测出的Proposal质量越低，因此FCOS增长了一个分支预测Center-ness，越靠近GT Box的中心，这个Center-ness的值就越接近1。

 

预测的时候结合对应的分类分数以及Center-ness的值来对Proposal进行排序，从而抑制了距离目标中心越远的位置预测出的Proposal，这种方法是很巧妙的，值得借鉴。