a1367666195的博客

FCOS是一种one-stage、全卷积（Fully Convolutional）结构的目标检测模型，发表于2019年ICCV。什么是one-stage？作者的源码有些复杂，我找了一个简单的版本，作为本文的详解代码。FCOS不同于在此之前热门的anchor based方法（比如R-CNN系列），没有设置anchor boxes来作为目标的候选区域，而是使用全卷积网络，结合FPN，直接拿去做检测，实现了anchor free，并达到了当时的state-of-art。

RPN， Reigion Proposal Network， 中文名称为候选区域提取网络，最早在faster RCNN一文中提出，用于提取目标候选框。

FPN，全名Feature Pyramid Networks，中文称为特征金字塔网络。它是2017年cvpr上提出的一种网络，主要解决的是目标检测中的多尺度问题。FPN通过简单的网络连接改变，在基本不增加原有模型计算量的情况下，大幅度提升了小物体检测的性能。

1、输入归一化在机器学习里使用线性分类器的时候，比如y=w0+w1x1+w2x2…我们需要先将特征x1、x2…进行归一化，因为如果w1取值范围[100,1000]，而w2取值范围只有[0.1,1]，会使得w1在分类过程中起主导作用，这并不是我们希望的。虽然神经网络可以通过参数的调整来适应不同特征的取值范围，但是会导致训练效率比较低。不同输入特征的取值范围差异比较大时，会影响到梯度下降法的效率...

梯度下降法（BGD）、随机梯度下降法（SGD）、小批量梯度下降法（MBGD）之间的关系及batch size如何选取我们都知道，神经网络在更新权值的时候需要先求得损失函数，再由损失函数求得各参数的梯度进行更新，这里就涉及一个问题：用多少个训练样本去计算损失函数呢？这个数量就是我标题里的batch size，直观上讲的话，梯度下降法、随机梯度下降法和小批量梯度下降法之间的差异就是因为batch s...