FCOS论文学习笔记

简介：
本笔记详细记录了对FCOS（Fully Convolutional One-Stage Object Detection）这篇经典目标检测论文的学习过程和心得体会，涵盖其创新点、技术细节及个人见解。 主流的目标检测方法如Faster R-CNN、SSD 和 YOLOv3 通常依赖于一系列预设的anchor（即参考框）。在过去一段时间内，人们普遍认为anchor是目标检测的关键因素之一。然而，基于锚点的方法存在一些缺点：首先，anchor 的尺寸、长宽比和数量都会影响到模型的表现力；因此，在使用这些方法时需要对超参数进行精细调整。其次，由于 anchor 的尺度和纵横比固定不变，这使得它们在面对形状变化较大的目标时会显得有些力不从心。此外，在处理新的检测任务时，往往还需要重新设计适合该特定场景的anchor尺寸与长宽比设定；这种做法限制了模型的适应性和泛化能力。为了确保较高的召回率，通常需要在输入图像上密集地设置大量的 anchor，这无疑增加了计算负担和复杂性。