論文名稱：MetaAnchor: Learning to Detect Objects with Customized Anchors
論文連結：https://arxiv.org/abs/1807.00980
目錄
導語
背景
設計思想
方法
錨點框函式生成器
架構細節
實驗
COCO 目標檢測結果
結論
參考文獻
導語
隨著 ImageNet 退出“江湖”，分類任務趨向飽和。在計算機視覺分類、檢測、分割三大核心任務的鏈條中，由於分類過於基礎，過於成熟，檢測的首要作用日益加大，連鎖效應不斷加強。
目標檢測遵循自身路徑，處理程式先後可分為錨點框、（候選框）、目標框。如果說目標檢測是計算機視覺的首塊基石，那麼錨點框（Anchor）則是目標檢測的首塊基石。作為基石的基石，錨點框的重要性可見一斑。
鑑於現有目標檢測系統採用預定義錨點框的種種問題，曠視科技論文《MetaAnchor: Learning to Detect Objects with Customized Anchors 》（已收錄於第 32 屆神經資訊處理系統大會 NeurIPS 2018 ）提出一種全新而靈活的錨點框機制——MetaAnchor，可通過自定義方式優化目標檢測系統。
由此，這就從最為底層的技術元件層面，自下而上優化並迭代計算機視覺和人工智慧技術，乃至推動、賦能場景落地和產業發展，實現技術與產業雙輪驅動。
具體來講，目標檢測技術的改進和突破，在提升系統精度與速度的同時，將成為城市大腦、智慧機器人、智慧手機、智慧金融、新零售等行業發展的重要推手；而上述行業作為“棋子”共同匯聚成曠視科技 AI+IoT 這盤大棋。
背景
最近幾年，深度神經網路處理目標檢測任務的巨大突破有目共睹。實際做法是目標檢測演算法為一張給定影像生成一系列邊界框，同時分類標註每個目標。但是，對於卷積神經網路而言，直接無序地生成任意數量的預測框並非無足輕重，由此錨點框的思想得以引入，在目標檢測系統中獲得廣泛應用。通過運用分而治之的方法，錨點框成功立足於絕大多數當前最優的目標檢測框架之中。
簡單來說，錨點框把向量空間（包括位置、大小、類別等）分割為若干個離散的（有可能重疊的）方塊（bin，即 ground truth box），並通過錨點框函式為每個相應的 bin 生成一個目標框。X 表示從輸入影像提取的特徵，那麼，第 i 個 bin 的錨點框函式可寫為：
其中 是先驗（prior，也稱為 anchor box），用來描述與第 i 個 bin 相關聯的目標框的一般屬性，比如平均位置/大小和分類標籤；同時，
判別是否存在一個目標框與第 i 個 bin 相關聯，
則把目標框（如果有）的相對位置迴歸到先驗 b_i；θ_i 表示錨點框函式的引數。
為藉助深度神經網路建模錨點框，列舉是一個直接的策略，併為目前大多數方法所採用。首先，大量預定義 priors B 通過手工選取，或者統計方法（比如聚類）；接著，對於每個，錨點框函式
將分別由一個或多個神經網路層實現。不同錨點框函式的權重是獨立的，或者部分共享。
很明顯，這種框架的策略（即錨點框的選擇以及錨點框函式的定義）在訓練和推理之中皆不夠靈活。此外，可用錨點框的數量也受制於預定義的 B。
設計思想
本文中，曠視科技提出一種靈活的替代方案建模錨點框。在這一新框架中，錨點框函式由 b_i 動態生成，而不是通過列舉每一個可能的邊界框 prior b_i 並分別建模相應的錨點框函式。它的實現源自引入了一個全新的模組——MetaAnchor，可寫為：
其中， 稱之為錨點框函式生成器，它把任一邊界框 prior b_i 對映到相應的錨點框函式
，w 表示引數。
值得注意的是，MetaAnchor 的先驗集 B 不必是預定義的，而是以自定義的方式工作——在推斷時，使用者可以指定任意 anchor box，生成相應的錨點框函式，並用其預測目標框。接下來，本文會把它與權重預測機制一起展示。錨點框函式生成器可實現優雅部署，嵌入到現有的目標檢測框架達成聯合優化。
總之，相較於傳統預定義的錨點框策略，本文發現，MetaAnchor 具有以下潛在的優勢：
1）MetaAnchor 對於 anchor 設定和邊界框分佈更為魯棒。在傳統方法中，預定義的 anchor box B 經常需要小心設計——錨點框太少可能不足以涵蓋稀少的框，或者導致粗糙的預測；但是更多的 anchor 意味著引數更多，有造成過擬合的風險。
此外，很多傳統方法使用獨立的權重建模不同的錨點框函式，因此很可能在訓練時，不相關聯於 ground truth 目標框的錨點框會輸出較差的結果。與此相反，MetaAnchor 可以在訓練時隨機取樣任意形態的 anchor box，以涵蓋不同種類的目標框，同時引數數量保持不變。
進而，根據等式（2），同一權重 w 生成不同的錨點框函式，因此所有的訓練資料可以調優所有的模型引數，這意味著對訓練框的分佈更加魯棒。
2）MetaAnchor 有助於彌補不同資料集之間的邊界框分佈的差距。在傳統框架中，anchor box B 是預定義的，在訓練和測試之時保持不變，這並非最優方案，如果訓練集和測試集的邊界框分佈不同。而在 MetaAnchor 中，錨點框可被靈活地自定義以適應目標資料集（比如，通過網格搜尋），而無需重新訓練整個檢測器。
方法
Anchor 函式生成器
在 MetaAnchor 框架中，如等式（2）所示，錨點框函式生成器 把 b_i 對映到相應的錨點框函式
，從而扮演了關鍵角色。為利用神經網路建模
，首先要假設對於不同的 b_i，錨點框函式
共享同一方程
，但是引數不同，這意味著：
接著，由於每一個錨點框函式的區別僅在於其引數，生成器由此可預測
，如下所示：
其中 θ^* 代表共享引數（獨立於 b_i 且同樣可學習），殘差項取決於錨點框 b_i。
本文通過一個簡單的二層神經網路實現：
這裡，W_1 和 W_2 皆是可學習引數，是啟用函式（文中使用 ReLU）。隱藏神經元的數量用 m 表示，實際上 m 通常遠小於
的維數，這導致
預測的權重聚集在一個明顯低階的子空間，這就是為什麼在等式（4）中把
方程化為一個殘差項，而不是直接使用。
架構細節
理論上講，MetaAnchor 適用於絕大多數現有的基於錨點框的目標檢測框架，但是對兩步檢測器的最後預測似乎並無助益，遂把主要研究精力聚焦於單步檢測器，並以當前最優的單步檢測器——RetinaNet 為例展示 MetaAnchor 架構。
圖 1：“把 MetaAnchor 應用於 RetinaNet” 示意圖。
圖 1（a）是 RetinaNet 示意圖。簡單來講，5 層的特徵 提取自一個 “U 形”的基礎網路，其中 P_3 表示最優的特徵圖（即解析度最高），P_7 則是最粗糙的。對於每一層特徵，附加一個名為“檢測頭”的子網路生成檢測結果。錨點框函式在每個檢測頭的尾部被定義。
為應用 MetaAnchor，需要重新設計原始的錨點框函式，保證其引數生成於自定義錨點框 b_i。首先要考慮如何編碼 b_i，一個包含位置、尺寸、分類標籤等資訊的向量。在本文實驗中，b_i 主要於錨點框尺寸相關，並表示為：
其中 ah_i 和 aw_i 是相應錨點框的高和寬，（AH，AW）是作為正則化項的“標準錨點框”的尺寸。
圖 1（b）示意了 MetaAnchor 在 RetinaNet 每個檢測頭的用法。在 MetaAnchor 中，通過兩個獨立的錨點框函式生成器 和
分別預測其權重。在
的設計中，隱藏神經元數量 m 設定為 128。此外，在 MetaAnchor 中，
過濾器的數量減為 80，
過濾器的數量減為 4。
值得注意的是， RetinaNet 中所有檢測頭的相應層的權重相同，甚至包括代表錨點框函式的最後層。為與上述設計一致，MetaAnchor 為每一層級的檢測頭使用相同的錨點框生成器函式 和
，同時“標準框”（AH，AW）在不同層級保持不同。在本文實驗中，最低層級（即 P_3）標準框尺寸是所有 anchor box 尺寸的平均值，如表 1 最後一列所示。
表 1：Anchor box。
實驗
本文主要在 COCO 目標檢測任務中評估 MetaAnchor 的表現。如上所述，基礎檢測框架使用 RetinaNet，其中特徵提取器使用在 ImageNet 分類資料集上預訓練的 ResNet-50。
除非特別說明，MetaAnchor 使用錨點框函式生成器的獨立於資料的變體。訓練時，MetaAnchor 子網路藉助基礎檢測器聯合優化。MetaAnchor 不使用批歸一化。
COCO 目標檢測結果
本文在 COCO-full 資料集上對比了嵌入與不嵌入 MetaAnchor 的 RetinaNet 的表現。訓練和測試的輸入解析度都是 600x，基礎特徵提取器是 ResNet-50，效能指標採用 COCO-minival 資料集的標準 mmAP。
表 8：在 COCO-minival 上的結果
表 8 給出了結果。有趣的是，本文復現的 RetinaNet 模型效能優於 RetinaNet 原論文 1.8%。相比之下， MetaAnchor 模型（即嵌入 MetaAnchor 的 RetinaNet）在 COCO-minival 上取得了 37.5% mmAP，效能優於本文實現的原始 RetinaNet 1.7%，優於 RetinaNet^*（復現 RetinaNet 的最好結果） 0.6%；而藉助資料的 MetaAnchor 模型則進一步把效能提升 0.4%。
另外，本文還印證了推理可通過 greedy search 輕鬆實現漲點而無需重訓練。
圖 2 視覺化了由 MetaAnchor 模型預測的一些檢測結果，可以明顯看到檢測框的形狀隨著自定義錨點框 b_i 而變化。
圖 2：不同自定義錨點框之下的檢測結果。
本文同樣在 PASCAL VOC 2017 資料集上評估了這一方法。
為進一步驗證 MetaAnchor，本文又在 YOLO v2 上做了實現。在 MetaAnchor 中，“標準框” （AH，AW）是（4.18，4.69）。結果如表 7 所示。很明顯，MetaAnchor 優於 YOLO v2 baseline，並藉助 greedy search 實現效能漲點。
表 7：嵌入MetaAnchor 的 YOLO v2 在 COCO-minival 上的結果。
結論
曠視科技提出了一個全新而靈活的錨點框機制，稱之為 MetaAnchor，它為目標檢測框架而生，其錨點框函式可由任意自定義的先驗框動態生成。
加上權重預測，MetaAnchor 可與大多數基於錨點框的目標檢測系統協同工作，比如當前最優的單步檢測器 RetinaNet。相較於預定義錨點框方法，實驗證明 MetaAnchor 對於錨點框設定和邊界框分佈更為魯棒，並在遷移任務上變現出潛力。
COCO 目標檢測任務的實驗表明，MetaAnchor 在多個維度連續優於同類方法。
參考文獻
D. Ha, A. Dai, and Q. V. Le. Hypernetworks. arXiv preprint arXiv:1609.09106, 2016.
R. Hu, P. Dollár, K. He, T. Darrell, and R. Girshick. Learning to segmentevery thing. arXiv preprint arXiv:1711.10370, 2017.
M. Jaderberg, K. Simonyan, A. Zisserman, et al. Spatial transformer networks. In Advances in neural information processing systems, pages 2017–2025, 2015.
T.-Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollár.Focalloss for dense object detection.
arXiv preprint arXiv:1708.02002, 2017.
J.Redmon,S.Divvala,R.Girshick,andA.Farhadi.You only look once:Unified,real-timeobject detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 779–788, 2016.
J. Redmon and A. Farhadi. Yolo9000: better, faster, stronger. arXiv preprint, 2017.