优点：
（1）因为输出是pixel-based预测，所以可以复用semantic segmentation方向的tricks；
（2）可以修改FCOS的输出分支，用于解决instance segmentation和keypoint detection任务；
１．网络结构
<style></style>
FCOS的网络结构如下图，显然，它包含了如下3个部分，
（1）backbone网络；
（2）feature
pyramid结构；
（3）输出部分（classification/Regression/Center-ness）；
<style></style>
2.center-ness输出分支
<style></style>
center-ness，可以译成中心点打分，它表征了当前像素点是否处于ground truth target的中心区域，以下面的热力图为例，红色部分表示center-ness值为1，蓝色部分表示center-ness值为0，其他部分的值介于0和1之间。
<style></style>
其中，∗表示ground truth。衡量了当前像素偏离真实目标的中心点的程度，值越小，偏离越大。
<style></style>
3.损失函数
<style></style>
Lcls表示分类loss，本文使用的是Focal_loss；Lreg表示回归loss，本文使用的是IOU loss。
<style></style>
4.缺点：有些人评价说该方法使得单阶段检测算法变慢了，论文也没有提到算法速度的问题，没有实验证明。然后就是center-ness是论文的一个好的创新点，但是缺少理论的支撑。