FCOS: Fully Convolutional One-Stage Object Detection
特点：全卷积，单阶段，类似于语义分割的逐像素预测
优点：无anchor box, 无proposal。设计复杂度大大降低。
避免了训练时计算IOU，更重要的是避免了所有与anchor box相关的超参（检测器性能对这些超参很敏感）
结果：仅仅做了NMS后处理，FCOS with ResNeXt-64x4d-101 achieves 44.7% in AP with single-model and single-scale testing。
用来做区域建议，性能也超过RPN很多。
1.特征图上锚点到输入image空间的映射
2.回归目标
回归像素点到目标框 左上、右下 两点的距离。
3.整体架构
4.LOSS
训练时如何确定正样本点 ?：
如果映射回去的点，在某个bbox内 本身特征图上对应的类别(此目标属于此特征图的预测范围)也属于此box类别即为正样本点。否则认为其为负样本，属于背景类。
如果正样本则 c* = 1，此时l(c) = 1；否则c =0，此时l（c*） = 0，即负样本不参与位置损失，只有类别损失.
显然这里是N_positons = 特征图的像素数目
5.中心度（中心度关注的是采样点本身，同样一个目标虽然可以由多个采样点回归得到，但是不同的点应该有不同的得分，我们希望目标是由目标中心点回归得到）
作者发现性能与两阶段还有差距，发现主要问题是由于一些IOU低，但是置信得分高的离目标中心较远的预测导致了精确率的降低。
IOU低但是置信得分高，nms前置信度抑制不掉，到了IOU那里比如设置0.5，由于A.B和C的IOU都很小，依然抑制不掉。导致出现AB这种FP出现，降低了。
因此作者加了一个分支来回归centerness，预测时将 centerness与置信度score相乘 得到最终的置信度得分。
开平方根可以减缓中心度的衰减。
6.多尺度预测（训练时的策略会被模型学习到测试里）
因此，大步长范围的特征图相比于小步长范围的更可能会有标签模糊情况。如果这种策略的划分后，依然有标签模糊，我们直接选择那个box area小的标签作为其标签。