fcos学习问题

每个像素点都预测一个boundingbox,每个点预测一个box的相对于对象的四个长度，

enter description here

boundingbox结果可以映射到正数范围

.前面提到l，t，r，b都是正值，所以作者在回归bounding box这四个值最后加了一个exp(si*x)，以确保最后的结果可以映射到正数范围

Center-ness是做什么的？

论文中有提到说，在实验过程中发现一些远离bounding box中心的点，预测出来的box质量很低，对结果有很大干扰，center-ness是用来过滤掉这些点：每一个点回归出一个值，而且要保证这个值越远离box中心越小，越靠近中心越大，于是，想出来了这样一个公式：

enter description here

很显然，极端情况下，如果某一个点在box边界，那么centerness就是0; 如果刚好在box中心，这个值就是1。centerness的值在0-1之间。测试的时候，作者将centerness乘以类别score作为新的score，这样就降低了远离中心点的location的分数; 在NMS阶段将会大概率过滤掉它们。

self.fpn_strides是什么意思

loss.py里，训练时的回归target是除以了fpn相应层级的步长的，因此在测试的时候需要乘上步长，才能得到bbox真正的位置。我个人觉得这样做是为了缩小target，使网络训练起来更容易。论文实验部分也说明了这个trick能带来一定提升。