FCOS及其和Faster R-CNN的區別

RetinaNet，SSD，YOLOv3，Faster R-CNN等都是Anchor-based的檢測器，即須要預約義的Anchor boxes來進行訓練。FCOS是一種Anchor-free和Proposal-free的檢測器，即不須要預約義Anchor boxes來進行訓練，從而節省了對計算資源的佔用。

根據個人理解，FCOS和Faster R-CNN的區別主要表如今：

(1) Faster R-CNN是每一個點提出N個Proposal，N通常等於9(預設了3種長寬比例，3種尺寸所以是9個Proposal)，每個Proposal的類別如何肯定呢？就須要計算Proposal和GT Box的IOU了，IOU達到必定的程度，Proposal就算是這個GT Box的類，要求這個Proposal迴歸到這個GT Box；而FCOS每一個點只提出一個Proposal，這個Proposal的類別如何肯定？就是這個點在哪個GT Box裏面，它提出的Proposal就屬於哪個GT Box的類，固然也要求這個Proposal迴歸到這個GT Box。可是感受Faster R-CNN的分類更好訓練一些，畢竟Proposal和GT Box有比較大的IOU，FCOS靠近GT Box中心的點的類還比較好訓練，距離中心比較遠的點估計很差訓練吧。

(2) FCOS多出來一個Center-ness：

這是由於距離目標中心越遠的位置預測出的Proposal質量越低，因此FCOS增長了一個分支預測Center-ness，越靠近GT Box的中心，這個Center-ness的值就越接近1。

 

預測的時候結合對應的分類分數以及Center-ness的值來對Proposal進行排序，從而抑制了距離目標中心越遠的位置預測出的Proposal，這種方法是很巧妙的，值得借鑑。