https://htn20190109.hatenablog.com/entry/2025/12/07/134213

https://zero2one.jp/learningblog/what-is-fcos/
https://arxiv.org/pdf/1904.01355
https://arxiv.org/pdf/1708.02002
https://arxiv.org/pdf/1608.01471

・FCOS
アンカーフリー手法
アンビギュアスサンプル(特徴マップの点が複数の物体の正解ボックスに入っている場合)は
複数物体の共通部分をとる

・FPN(Feature Pyramid Network)
上位層の特徴マップをアップサンプリングして、下位層の特徴マップに加える
各スケール毎に個別ヘッドで出力
バックボーンはResNet

・FCOS の損失関数 (※一部推測含む)
FCOS の損失関数は、クラス分類・バウンティングボックス回帰・センターネスの3つを組み合わせた
Multi-task Loss で定義される。

$\displaystyle L(\{p_{x,y}\}, \{t_{x,y}\}) = \dfrac{1}{N_{\text{pos}}} \sum_{x,y} L_{\text{cls}}(p_{x,y} ,c_{x,y}^*) + \\ \displaystyle \dfrac{λ_{1}}{N_{\text{pos}}} \sum_{x,y} \mathbf{I}_{\{c_{x,y}^* > 0\}} L_{\text{reg}}(t_{x,y}, t_{x,y}^*) + \\ \displaystyle \dfrac{λ_{2}}{N_{\text{pos}}} \sum_{x,y} L_{\text{center}}$

クラス分類損失（Focal Loss）：
$\displaystyle L_{\text{cls}} =-\alpha_t (1 - p_t)^{\gamma} \log(p_t)$

バウンティングボックス回帰損失（IoU Loss）：
$\displaystyle L_{\text{reg}} = -ln(IoU)$

センターネス損失（Binary Cross Entropy Loss）：
$\displaystyle L_{\text{center}} =-\left[centerness^* \log(centerness) + (1 - centerness^*) \log(1 - centerness)\right]$

センターネスの定義：
$\displaystyle centerness = \sqrt{ \dfrac{\min(l, r)}{\max(l, r)} \times \dfrac{\min(t, b)}{\max(t, b)} }$