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ResNet34

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。

这是我自己梳理的FCOS目标检测代码，给大家省点时间去debug。FCOS的head部分：cls分支和bbox分支其实是和retinanet一样的，只不过没有了A这个anchor的数量，以及回归的对象不一样，但是网络的整体结构还是和retinanet一样。 在计算流程上不一样的地方我觉得不一样的点是：retinanet是将每个rpn网络的输出concate起来，而FCOS是每层单独预测，之后将每一层的结果concat起来，可能是因为FCOS在concate的时候不方便，因为网络中多出了一个centerness的分支，下面我将从FCOS的测试代码和训练代码开始解析记录，解析中省去了backbone以及FPN网络的解析，主要在head部分。