版权声明：本文为博主原创文章，未经博主允许不得转载。
1、动机
anchor free 和 proposal free
anchor-based的弊病在于：
①模型计算量上，一个特征图像素点取很多个不同尺寸的候选框，正负样本失调、训练时计算所有候选框的IOU耗费计算力
②有很多需要优化的超参数
anchor-based被提出时的考虑：
①避免候选框上的所有目标可能存在区域的重复提取特征，可通过特征对应出原图上某块的特征
②不同尺度的候选框是为了解决不同大小目标的问题，高召回率需要更高密度的候选框（eg：180K候选框输入FPN网络
解决的思路是：训练期间对每一个前景像素为中心，预测4D向量(l,t,r,b)，
2、方法
网络结构：
backbone+FPN+分类/回归/中心(center-ness分支)
具体细节：
①ground truth(x0,y0,x1,y1,c)表示候选目标的左上和右下角的坐标，c表示类别
②对第i层的特征和相对于原图的步长s，在第i层上的每个坐标映射到原图为中心，取xs+s/2为宽等确定位置，如果中心在真实目标框内，就会被赋值为其类别，否则为负样本（0）
③对(l,t,r,b)进行损失函数计算，
④通过一层的center-ness，减少定位离目标中心远，定义了计算公式并使用BCE损失函数计算，使远离目标中心的得分，从而被NMS筛选掉
3、总结：
该算法精度较高，速度较慢，实验结果没有贴，可以看论文，我自己看来，利用每一层步长，计算了目标的定位，采用center-ness对远离中心的样本进行了抑制，比较有用。
以上为个人理解，如有不当之处，欢迎指正交流~
每天进步一点点