這篇文章從視覺效果上來說，很大程度的提升了“小目標的”檢測效果。
一、主要內容
這篇文章主要是針對FPN這種結構去做優化的，主要的優化點在於“如何去選擇哪一層來回歸目標”。
以往的方法基本上都是基於“Heuristic feature selection” 以及 “ overlap-based anchor sampling”
“Heuristic feature selection” ：啓發式的特徵選擇，我們利用size來決定某個anchor size 去哪層FPN上選擇特徵。這種方式並不一定是最優的 對於這個作者也沒多說爲什麼。到時給了圖例，勉強理解下。 
“ overlap-based anchor sampling”：這個就是利用IOU來決定某個anchor是正例還是負例。
二、方法
feature selective anchor-free 縮寫：FSAF
這篇文章在原始RetinaNet的基礎之上，去“增加”FSAF ，也就是意味着，RetinaNet的原始結構全部保留了。這種改進會需要額外“6ms”的計算時間，基於ResNXet-101爲backbone的RetinaNet 有1.8%的提升效果。
Additionally, our final detector achieves a state-of-the-art 44.6% mAP when multi-scale testing are employed, outperforming all existing single-shot detectors on COCO.
這裏值得注意的是 爲了達到這個44.6%mAP需要 “ 多尺度-測試”！！！
從這張圖，我們可以清楚的看到，RetinaNet的原始結構是被全部保留的了的，只是把“FPN”每一路輸出的Feature map增加了一個岔路，雖然圖中只畫了3層FPN，但是只是爲了簡單的可視化效果，少畫了幾層。
上圖是 實現的內部結構了，可以看到 “anchor-based ” 和 “anchor-free” 是相互不影響的，只不過有共同的base feature。對於anchor-free 這部分，作者採用了 focal loss(分類) + IoU loss（迴歸）
這裏需要定義:
代表了某個groundtruth box在某一層FPN時候的具體值，
effective box： 
ignore box ：
取值定義：
Classification Output:
在這裏可能有點疑惑？爲什麼effective box的區域比ignore box區域小？ 根據以上四個定義，對應到Figure 5的分類那一部分，圖中最外側“全黑表示無目標” ； “灰色區域表示的就是 ignore box - effective box 的部分，這部分不參與“BP”回傳” ；“白色區域就是 effecitve box區域爲全1”。這些操作對於某個一 groundtruth box而言依然是 所有level of FPN 同步進行的，對於兩個instance 如果有overlap，那麼最小的那個有最高的優先權。
Box Regression Output:
對於每一個 effective box區域內的座標（i，j），都有如下一個4維向量：
分別對應（i，j）座標位置的去迴歸四個角落的偏移量。要注意，
，這裏的值被除了一個尺度因子“S=4.0”
最終結果應該是“
”
Online Feature Selection
從這張圖，可以明確的知道整個“FSAF”的思路，對於每一個“Instance”，FPN的每一層各自計算這一層的loss，從這些loss種選擇最小的那個，從而決定對於這個“Instance”應該選擇哪一層。*****這是在訓練的時候，其實就是決定某個Instance 用哪個路線去回傳，只訓練這層FPN***
The intuition is that the selected feature is currently the best to model the instance. Its loss forms a lower bound in the feature space.
****在運行inference***的時候是沒有這樣的選擇機制的，因爲“對於每一個instance而言，一定存在一個最合適的層，所以對於每一層，我們都去選，最後一起用閾值過濾以及nms就能夠一定程度上得到最好的結果” 也就是隻要保證了，最合適的在裏面，那麼一定能夠得到最合適的！！！
測試階段 anchor-free 以及anchor-based 這兩路的結果都會被拿出來，一起最後刪選。
