关于FCOS的一些改进（FCOS：完全卷积One-Stage对象检测）

与 （CVPRW'19）高效骨干网 这个软件库包含 （ICCV'19）与 （CVPRW'19）高效的骨干网络。 该代码基于FCOS的 强调 高效记忆 更好的性能，特别是对于小物体 速度更快 与ResNet主干网比较 相同的超参数 相同的训练方案（最大纪元，学习率时间表等） 8个TITAN Xp GPU pytorch1.1 CUDA v9 cuDNN v7.2 骨干 多尺度培训 推断时间（毫秒） 箱式AP（AP / AP / APm / APl） 下载 R-50-FPN-1x 不 84 37.5 / 21.3 / 40.3 / 49.5 -- V-39 -FPN-1x 不 82 37.7 / 22.4 /41.8/48.4 R-101-FPN-2x 是的 104 41.3 / 25.0 / 45.5 / 53.0 -- V-57 -FPN-2x 是的

基于megengine的FCOS的目标检测模型，主干网络ResNet101

基于megengine的FCOS的目标检测模型，主干网络ResNext101

基于megengine的FCOS的目标检测模型，主干网络ResNet18

基于megengine的FCOS的目标检测模型，主干网络ResNet34

基于megengine的FCOS的目标检测模型，主干网络ResNet34

FCOS: Fully Convolutional One-Stage Object Detection

FCOS检测算法在VOC数据集上的训练模型，直接下载可进行inference。配合代码https://github.com/leviome/fcos_pure 使用。具体教程看README.

作者提出了一种全卷积，一阶段目标检测网络，通过对每一个像素预测一个目标来解决目标检测问题（没有anchor，特征图上一个位置预测一个目标。anchor的办法是一个位置预测k个目标）。比起RetinaNet， SSD， YOLOV3， Faster RCNN等网络，FCOS不需要anchor，自然也不需要候选框。 通过消除anchor，FCOS避免了和ahor相关的复杂计算，比如在训练过程中要计算anchor和GT的IOU值。更重要的是，毕淼了和anchor相关的超参数，比如anchor的数目，比例和尺寸。FCOS具有更简单的网络结构，实现更高的精度。在单尺度单模型下，COCO上得到44.7%的AP。