【目标检测】37、FreeAnchor: Learning to Match Anchors for Visual Object Detection

论文：FreeAnchor: Learning to Match Anchors for Visual Object Detection

代码：https://github.com/zhangxiaosong18/FreeAnchor

出处：NIPS2019

贡献点：

• 将检测器的训练过程建模成了一个最大似然估计（MLE）的过程，使用学习的方法来实现 anchor assignment，而非手动更新，打破了 IoU 的限制，让目标能够基于最大似然估计来自主的选择其 anchor
• 将检测器的优化定制成了似然形式，并且提出了 end-to-end 的形式来联合优化分类和回归，也就是一个端到端的完整的检测器，而非单独的 anchor 匹配的方法

一、背景

Anchor-based 方法的 label assignment，一般使用 IoU 来实现，大于某个阈值的 anchor 为正样本，小于某个阈值的 anchor 为负样本，每个 anchor 的 assignment 是独立的，但手工选取的参数肯定不是最优的。

原因有两点：

• 离心状的目标，如细长、偏靠的雨伞、香蕉等，最具有区分力的特征并未处于目标中心，空间上较为对其的 anchor 可能并没有包含这些区分特征，扰乱分类和回归的性能
• 当很多目标离得很近或重叠、聚集时，仅仅使用难以 IoU 获得最优的 anchor 分配

本文提出了一种基于学习策略的 label assignment 方法，从 3 个方面来分析：

• 为了实现高 recall，每个 gt 需要至少一个 anchor 和之匹配
• 为了实现高 precision，需要把定位效果差的 anchor 分配到背景类上去
• 需要和 NMS 兼容，即高分类得分的框同时定位也要好，才能保留下来优质的框

基于上述分析，作者将 object-anchor 的匹配问题，构造成了一个最大似然估计 maximum likelihood estimation（MLE）过程，即从一些列 anchor 中选择优质的 anchor 并分配给每个 gt。

MLE 的过程，就是最大化一个似然估计，保证每个 gt 至少有一个 anchor 是同时具有高分类得分和定位得分的。其他很多分类误差大或定位误差大的 anchor 被分为 background。在训练过程中，似然估计也就变成了 loss 函数。

二、方法

2.1 使用极大似然估计的方式来优化检测器

检测器的工作过程如下：

• 给定一个输入图像 $I$，其 $gt$ 为 $B$
• 在训练的过程中，每个 anchor $a_i\in A$ 都会在经过 sigmoid 函数后，输出一个类别得分，在经过回归后得到一个位置预测
• 在基于 IoU 的手工选取 anchor 的时候，都会使用 IoU 来判定某个 anchor 是否和某个 gt 匹配，匹配 matrix $C_{ij}\in 0,1$，如果 IoU > 阈值，则给定 $C_{ij}=1$，也就是可能和该 gt 匹配，否则 $C_{ij}=0$，经过一轮计算后，anchor 选择和它的 IoU 最大的 gt 组队，保证每个 anchor 只和一个 gt 组队，而一个 gt 可以有多个 anchor 围绕。
• loss function 如下，其中 $\theta$ 是网络参数，分类损失为 BCE，回归损失为 smooth L1，背景的分类损失也为 BCE
  
• 根据极大似然估计，将 loss 函数写为极大似然形式如下，$p^{cls}$ 为分类得分，$p^{loc}$ 为定位得分。最小化 $L(\theta )$ 相当于最大化 $P(\theta )$
  

上面的 2 式，其实就从 MLE 的角度，同时考虑的分类和回归，但一般的方法也就缺乏了一点：如何优化 matching matrix $C_{ij}$，因为一般都是直接使用 IoU 来决定该 matrix 的值。

所以，本文中网络学习的是什么，就是这个 matrix $C_{ij}$

2.2 detection customized likelihood

为了实现最优的 object-anchor 的配对，作者通过引入 detection customized likelihood 扩展了 CNN-based 检测器的结构。该结构能够在同时保证 recall 和 precision 的同时，适配 NMS。

如何实现：

• 首先，使用 IoU，选出 anchor 集合中的 top-n anchors（也就是缩小了 anchor 的可选择范围，但还是可以选择的，而非直接指定确定的 anchor 来匹配某个 gt）

• 接着，通过最大化 detection customized likelihood 来让网络学习最优的 gt-anchor 匹配

• 其次，为了优化 recall 效果，对每个真值，都至少需要一个 anchor，且该 anchor 对应的分类和回归结果是和该 gt 的真值很相近的（也就是该 anchor 很优质），则该目标函数可以写为：
  

• 再次，为了优化 precision 效果，分类器要能够把定位差的 anchor 分配到 background 类上去，则该目标函数如下所示，其中，$P\{a_j\in A\_\}=1-{\text{max}}_{i}P\{a_j\to b_i\}$ ，表示 $a_i$ 没有和任何 gt 匹配上的概率，$P\{a_j\to b_i\}$ 表示 anchor $a_j$ 能够正确预测目标 $b_i$ 的概率：
  

• 然后，为了更好的适配 NMS 过程，$P\{a_j\to b_i\}$ 需要满足如下三个特性，分段函数如图 2 所示：

  • $P\{a_j\to b_i\}$ 是随着 $a_j$ 和 $b_i$ 的 IoU 的增大而单调递增的
  • 当上述 IoU 小于某个阈值 $t$ 时，$P\{a_j\to b_i\}$ 趋于 0
  • 对一个目标 $b_i$ 至少存在一个 anchor $a_i$， 满足 $P\{a_j\to b_i\}=1$
    

最后，detection customized likelihood 定义如下，通过优化这个似然函数，可以同时最小化 recall 和 precision 的概率，实现在训练过程中无需手动匹配 gt-anchor：

2.3 Anchor matching Mechanism

为了实现 learning-to-match 的方法，公式 5 可以被转换成 detection customized loss function ，公式如下：

• 其中，max 函数是用来给每个 gt 选择最优 anchor 的
• 在训练的过程中，anchor 序列中的每个 anchor，都会被用来优化模型参数

训练早期，由于所有参数都是随机初始化而来，所以所有 anchor 的置信度都比较低，而得分较高的 anchor 越有利于模型的训练，所以，作者使用了 Mean-max 函数，来选择 anchor。如图 3 所示，Mean-max 函数是近似 mean 函数的，也就是说，几乎所有的 anchor 都会用于训练。：

Mean-max 其实可以看做先 mean，最后 max 的情况。刚开始所有的 anchor 其实都不太准，所以取平均，随着训练的进行，一些 anchor 的置信度会逐步增加，最后肯定会有一个最大的 anchor 作为最终的选择。即随着训练，从 mean 过渡到 max，然后会给每个 gt 选择一个最优的 anchor。

使用 Mean-max 函数代替公式 6 中的 max 函数，并添加平衡因子和使用 Focal loss。

FreeAnchor 检测器最终的 detection customized loss 函数公式如下：

总体过程如下所述：

三、效果

FreeAnchor 是以 RetinaNet 为基础检测器来进行相关实验的，使用上面公式 7 中的 loss 函数来代替 RetinaNet 的 loss 函数。

1、Learning-to-match 效果可视化

如图 4 所示，手工选择的方法有两个问题：细长目标的中心问题和多个目标聚集问题。

FreeAnchor 能够较好的解决这两个问题：

• 对于细长物体，如图 5 所示，超越了 RetinaNet 的效果，对于趋于正方形的物体，和 RetinaNet 效果差不多，这是因为 FreeAnchor 方法会驱动每个 gt 至少有一个和其匹配的 anchor，而和其匹配的 anchor 不需要很强的空间对齐，而是更注重包围那些具有区分能力的区域的 anchor
• 对于拥挤场景，如图 6 所示，随着每个图中目标数量的上升，FreeAnchor 比 RetinaNet 的效果好的程度也在增大，说明这种学习的匹配模式，能够很好的适应拥挤场景的问题。

2、和 NMS 的适配

本文使用 NMS Recall (KaTeX parse error: Undefined control sequence: \tao at position 5: NR_{\̲t̲a̲o̲}) 来作为衡量指标，衡量使用不同 IoU 阈值 KaTeX parse error: Undefined control sequence: \tao at position 1: \̲t̲a̲o̲ 的 NMS 前后的 recall 指标。

KaTeX parse error: Undefined control sequence: \tao at position 1: \̲t̲a̲o̲ 从 0.05 增大到 0.9，interval=0.05，FreeAnchor 一直比 RetinaNet 的效果好。

3、综合对比

• Anchor bag size $n$：设置了 {40, 50, 60, 100}，表现最好的是 50
• Background IoU threshold $t$：设置了 {0.5, 0.6, 0.7}，表现最好的是 0.6
• $\beta$：0.75
• Focal loss：$\alpha =0.5,\gamma =2$

和 RetinaNet 对比，提升了约 3% AP