真实面经题目 · 原创解析
这题考的是候选人是否真正理解 anchor-free 检测从“预设框匹配”切换到“特征图位置预测”的建模方式。好答案不能只说 FCOS 不用 anchor，而要讲清 backbone 与 FPN 生成多尺度特征、每个位置预测类别和到框四边距离、正负样本如何由位置落入目标中心区域和尺度范围决定、重叠目标如何消歧、centerness 如何压低低质量框，以及训练损失和推理 NMS 的完整闭环。边界是以公开 FCOS 机制为准，不把其它 anchor-free 方法的关键点检测或 Transformer 查询机制混进来。
FCOS 可以理解为把目标检测改造成一个密集逐点预测问题。输入图像先经过 CNN backbone，再经过 FPN 得到 P3 到 P7 等多尺度特征层。对每个特征层上的空间位置，FCOS 不预设 anchor，也不做 proposal，而是把这个位置映射回原图坐标，判断它是否负责某个真实框；如果负责，就预测类别、到真实框左上右下四条边的距离 l、t、r、b，以及一个 centerness 分数。正负样本分配的核心是：位置落在目标框内部，或改进版本里落在目标中心区域，才可能是正样本；同时该目标的尺度要落在当前 FPN 层的回归范围内，例如小目标给低层，大目标给高层。若一个位置同时匹配多个框，通常选面积最小的框，FPN 的尺度划分和中心采样会显著降低这种歧义。训练时类别分支常用 focal loss 处理前景背景不均衡，回归分支用 IoU 或 GIoU 类损失，centerness 用二分类损失，只对正样本监督。推理时每个位置还原候选框，把分类分数乘以 centerness 排序过滤，再做 NMS。工程上 FCOS 的优势是去掉 anchor 尺寸、比例、IoU 阈值这些敏感超参，头部输出更少；风险是密集位置质量参差、拥挤场景歧义和尺度分配不当，所以要看 AP、AR、小中大目标 AP、centerness 校准、正样本覆盖率和低质量框比例。
FCOS 的第一层理解是训练样本不再是预设 anchor，而是特征图上的空间位置。每个位置映射回原图后，如果处在某个真实框负责区域内，就可以成为前景样本；否则是背景样本。这样省掉 anchor 形状、数量和 IoU 匹配阈值，但也要求正负样本分配本身足够稳定。
典型流程是 backbone 提取 C3、C4、C5 等语义特征，再通过 FPN 得到 P3 到 P7 的多尺度特征层。不同层负责不同尺度目标，低层分辨率高适合小目标，高层感受野大适合大目标。这个设计既提升召回，也减少同一位置同时落入多个目标时的匹配歧义。
FCOS 的 head 通常分成分类、框回归和 centerness 三类输出。分类分支预测每类概率，回归分支预测当前位置到框四边的距离 l、t、r、b，centerness 分支估计位置是否接近目标中心。它不是直接预测中心点或宽高，而是用边距还原完整 2D box。
原始 FCOS 中，落在真实框内部的位置可成为该框正样本；后续常用中心采样，只把靠近框中心的一小片区域作为正样本，以减少边缘位置产生低质量框。还要检查回归距离的最大值是否落在当前 FPN 层的尺度区间内，不满足的样本在该层视为背景。
如果一个位置同时处于多个目标的正样本区域，FCOS 通常把它分配给面积更小的目标，因为小目标更容易被大目标覆盖。多尺度 FPN 会把不同大小目标分到不同层，中心采样又缩小候选区域，因此真正产生冲突的位置比例会下降，但拥挤场景仍要重点评估。
训练时分类使用 focal loss 缓解 dense detection 中大量背景带来的不均衡，回归只在正样本上计算 IoU、GIoU 或类似 box loss，centerness 也只对正样本监督。推理时通常把分类分数乘以 centerness，让远离中心、定位质量差的框在排序和 NMS 前就被压低。
FCOS 的工程收益是实现简单、输出维度少、少调 anchor 相关超参，迁移到新数据集更省心。代价是样本分配、尺度范围、中心采样半径、NMS 和质量分数校准会影响召回与误检。验证时应分解看 AP、AP50、AP75、小中大目标 AP、AR、正样本覆盖率和拥挤场景误检。
RetinaNet 的训练样本是 anchor，需要设计多种尺度和长宽比，并用 anchor 与真实框的 IoU 阈值决定正负；FCOS 的训练样本是特征图位置，直接根据位置是否落在目标区域和尺度范围内分配标签。两者都可以用 FPN 和 focal loss，但 FCOS 去掉了 anchor 相关超参和大量 anchor 输出。
没有 FPN 时，单一特征层 stride 过大会影响小目标召回，也会让不同尺度目标在同一层产生更多重叠分配冲突。FPN 让不同层负责不同尺度范围，小目标用高分辨率层，大目标用低分辨率层，从而同时改善召回、定位稳定性和歧义比例。
不是。中心采样是训练分配策略，决定哪些位置可以成为正样本；centerness 是一个额外预测分数，表示该正样本位置相对目标中心的质量。中心采样减少低质量正样本，centerness 在推理排序时压低边缘位置产生的低质量框，二者可以配合使用。
拥挤场景里，一个位置可能同时落入多个框，若错误分配给小框或中心区域重叠过多，可能导致大目标召回下降或产生重复框。工程上要看 ambiguity ratio、拥挤子集 AP/AR、NMS 前候选质量，并结合中心采样、尺度范围、质量分数或更强的后处理策略调优。
先检查坐标映射、stride、l/t/r/b 目标和尺度范围是否正确，再统计每层正样本数量和覆盖的目标尺度。随后看分类 loss、回归 loss、centerness loss 是否平衡，观察各层召回、低质量高分框比例、NMS 前后候选数量，并用小批量可视化验证样本分配。
