深入理解anchor

---

在博客SSD原理解读-从入门到精通中提到了anchor作用：通过anchor设置每一层实际响应的区域，使得某一层对特定大小的目标响应。很多人肯定有这么一个疑问：那anchor到底可以设置到多大呢？，本文尝试对anchor的大小进行了一系列的探索，同时借鉴了SSD的anchor机制，提出了MTCNN中的anchor机制，能够显著提高MTCNN的精度。

---

---

理论感受野大小的计算

由于本文在讨论anchor大小的时候，都是与理论感受野大小相关的，这里有必要说一下理论感受野大小的计算。关于理论感受野大小的计算，有一篇很好的文章：A guide to receptive field arithmetic for Convolutional Neural Networks，国内也有这篇文章的翻译，在网上都可以找到。关于这篇文章就不展开说了。这里直接给出我用的计算感受野大小的python代码，直接修改网络参数就可以计算理论感受野大小，非常方便。

def outFromIn(isz, net, layernum):
    totstride = 1
    insize = isz
    for layer in range(layernum):
        fsize, stride, pad = net[layer]
        outsize = (insize - fsize + 2*pad) / stride + 1
        insize = outsize
        totstride = totstride * stride
    return outsize, totstride

def inFromOut(net, layernum):
    RF = 1
    for layer in reversed(range(layernum)):
        fsize, stride, pad = net[layer]
        RF = ((RF -1)* stride) + fsize
    return RF

# 计算感受野和步长，[11,4,0]:[卷积核大小,步长,pad]
def ComputeReceptiveFieldAndStride():
    net_struct = {'PNet': {'net':[[3,2,0],[2,2,0],[3,1,0],[3,2,0],[1,1,0]],'name':['conv1','pool1','conv2','conv3','conv4-3']}}
    imsize = 512
    print ("layer output sizes given image = %dx%d" % (imsize, imsize))
    for net in net_struct.keys():
            print ('************net structrue name is %s**************'% net)
            for i in range(len(net_struct[net]['net'])):
                p = outFromIn(imsize,net_struct[net]['net'], i+1)
                rf = inFromOut(net_struct[net]['net'], i+1)
                print ("Layer Name = %s, Output size = %3d, Stride = %3d, RF size = %3d" % (net_struct[net]['name'][i], p[0], p[1], rf))

运行结果如下

除了通过公式计算，还有一种更加方便的可以用于手工计算的方式。这里给出几条规则：

1. 初始featuremap层的感受野是1
2. 每经过一个convkxk s1(卷积核大小为k,步长为1)的卷积层，感受野 r = r+ (k - 1)，常用k=3感受野 r = r + 2,k=5感受野r= r + 4
3. 每经过一个convkxk s2的卷积层或max/avg pooling层，感受野 r = (r x 2) + (k -2)，常用卷积核k=3, s=2，感受野 r = r x 2 + 1，卷积核k=7, s=2, 感受野r = r x 2 + 5
4. 每经过一个maxpool2x2 s2的max/avg pooling下采样层，感受野 r = r x 2
5. 经过conv1x1 s1，ReLU,BN，dropout等元素级操作不会改变感受野
6. 经过FC层和GAP层，感受野就是整个输入图像
7. 全局步长等于经过所有层的步长累乘

具体在计算的时候，采用bottom-up的方式。
要计算哪一层的感受野，就将该层的输出设置为1，然后依次向前计算，比如下图中的网络结构中，要计算pool3的感受野，将pool3的输出设置为1，就可以得到conv1的输入大小为30x30，也就是P3的感受野大小为30。

按照这个算法，我们可以算出SSD300中conv4-3的理论感受野：
r =(((1 +2 +2+2+2 )x2 +2+2+2 )x2 +2+2 )x2 +2+2 = 108
注意：由于conv4-3后面接了3x3的卷积核做分类和回归，所以在计算感受野大小的时候，需要将用于分类和回归的3x3的卷积核也考虑进去。

---

经典SSD网络anchor的设置

下面我们来看一下经典网络中anchor大小是如何设置的

其中( )中的数字表示：anchor/理论感受野，下文中使用该数值表示anchor的大小。

注：SFD:Single Shot Scale-invariant Face Detector

于老师开源的检测器：ShiqiYu/libfacedetection中anchor的设置

观察SSD,SFD,YuFace,RPN中的anchor设计，我们可以看出anchor的大小基本在[0.1,0.7]之间。RPN网络比较特别，anchor的大小超出了感受野大小。

---

anchor大小的探索

下面我做了一系列实验探索anchor大小的范围，分别在数据集A和数据集B上,使用SFD_VGG16和SSD_YuFaceNet两个模型，所有层的anchor大小分别设计为0.1~0.9,观察模型的AP和loss大小。
注：SFD_VGG16和SSD_YuFaceNet分别使用的是SFD开源的网络和ShiqiYu/libfacedetection开源的网络

AP

数据集A:

数据集B:

loss

数据集A:

数据集B:

实验分析

通过对经典网络的分析，以及实验的结果，可以观察到以下现象：

1. anchor可以设置的范围较大，从实验结果来看，0.05~1.0基本都可以收敛，这也解释了为什么FasterRCNN中的RPN网络anchor大小可以超过感受野。从loss来看,anchor太大或者大小收敛效果都不好，甚至会出现不收敛的情况。这一点也很好理解，如果anchor太大，导致目标上下文信息较少，而如果anchor太小，又会导致没有足够多的信息。
2. 综合AP的值以及loss的大小，我们可以看出，anchor在0.2~0.7之间收敛效果较好，这个结论与SSD经典网络的设置基本一致。这个范围既可以保证目标有足够多的上下文信息，也不会因为目标太小没有足够多的信息。

注：由于目前实验数据还不够充分，这个范围可能并不准确，欢迎大家留言讨论。

---

滑动窗口，感受野与anchor的关系

首先区分一下这几个比较容易混淆的概念：

1. 滑动窗口：使得某一层输出大小为1的输入大小就是该层的滑动窗口大小。比如MTCNN中PNet,滑动窗口大小为12x12
2. 理论感受野：影响某个神经元输出的输入区域，也就是该层能够感知到的区域
3. 有效感受野：理论感受野中间对输出有重要影响的区域
4. anchor:预先设置的每一层实际响应的区域

滑动窗口大小和理论感受野是一个网络的固有属性，一旦网络结构确定了，这两个参数就确定了，有效感受野是可以通过训练改变的，anchor是通过人工手动设置的。理论感受野，有效感受野，滑动窗口是对齐的， anchor设置过程中也要与感受野对齐，否则会影响检测效果。检测层上每个像素点都会对应一个理论感受野，滑动窗口以及anchor。

---

MTCNN中的anchor机制

MTCNN训练机制的问题

熟悉MTCNN的朋友应该都知道，训练MTCNN的时候需要事先生成三类样本:positive,part,negative.这三类样本是根据groundtruth的IOU来区分的，原论文中的设置是IOU<0.3的为negative,IOU>0.65的为positve,0.4
上图中生成的positive样本为,图中红色框为groundtruth,蓝色框为候选框

其中回归任务回归的就是两者之间的offset

回归的4个偏移量(公式不唯一)：

$$(x1-x1’)/w$$

$$(y1-y1’)/h$$

$$(x2-x2’)/w$$

$$(y2-y2’)/h$$
对于小目标或者类似头肩这种目标，会出现一些问题

生成的positive样本如下：

基本上是一块黑色区域，没有太多有效信息。
对于小目标：

生成的positive是

这样的图像，这些图像是非常不利于训练的，而且MTCNN在训练的时候输入分辨率都比较小(比如12,24,48)，将这些生成的图像resize到12,24或者48之后会导致有效信息更少，为了解决这个问题，我们需要包含目标更多的上下文信息，会更加容易识别。

MTCNN中的anchor机制

借鉴SSD中anchor的思想，提出了MTCNN中的anchor

SSD在训练过程中通过anchor与groundtruth的匹配来确定每一个anchor的类别，具体匹配过程：计算与每个anchor的IOU最大(>阈值)的那个groundtruth,如果找到了，那么该anchor就匹配到了这个groundtruth，该anchor就是positive样本，anchor的类别就是该groundtruth的类别，回归的offset就是anchor与groundtruth之间的偏移量。由于SSD的anchor通常都比理论感受野小，所以SSD会包含较多的上下文信息，如下图所示。

联想到MTCNN,在生成训练样本的时候，我们可以将候选框当成anchor，生成positive的过程就是SSD中的匹配过程，由于需要包含更多上下文信息，最后会对anchor进行扩边生成最后的训练样本 。

红色区域就是anchor也就是生成的positive样本，整个黑色区域就是对anchor做扩边后生成的训练样本，可以看到包含了更多的上下文信息。

实验结果与分析

在多种数据集上对anchor机制进行了实验。
数据集1：

数据集2：
从实验结果我们可以看出，anchor机制可以显著提高检测器的精度。

---

结束语

关于anchor其实还有很多地方值得探索，本文只是总结了一下最近工作中对anchor的一些最新的认识，就当抛砖引玉，大家如果有关于anchor更好的解读欢迎一起讨论。

---

非常感谢您的阅读，如果您觉得这篇文章对您有帮助，欢迎扫码进行赞赏。