FCOS:Fully Convolutional One-Stage Object Detection
https://arxiv.org/pdf/1904.01355.pdf
简述
几乎所有最先进单阶段目标检测RetinaNet，SSD，YOLOv3和更快的R-CNN都依赖于anchors（预选框）。
FCOS取消了anchors，通过消除预定义的anchor boxes，即proposal free。FCOS完全避免了与anchor相关的复杂计算。更重要的是，我们认为所有超级参数都与通常非常敏感的最终检测性能有关。通过唯一的后处理非最大抑制（NMS），FCOS优于以前的基于锚的一阶段探测器，而且更加简单。
方法
FCOS网络结构：
使用FPN进行FCOS的多级预测，特征金字塔上下采样构建多级特征图
FCOS的网络架构，其中C3，C4和C5表示骨干网络的特征图，P3到P7是用于最终预测的特征级别。 H×W是要素图的高度和宽度。 ‘/ s’（s = 8,16，…，128）是特征映射水平与输入图像的下采样比。
例如，所有数字都是使用800×1024输入计算的。
结果对比
FCOS
并没有看到作者直接比较FCOS与YOLOv3，关于帧率需要后自行测试，取消了单阶段学习两阶段下预先设置anchor的处理，新思路。
YOLOv3