(转)图森技术汇 | 聊聊Anchor的"前世今生"（上）

图森技术汇 | 聊聊Anchor的"前世今生"（上）
图森技术汇 | 聊聊Anchor的"前世今生"（下）
图森的文章，很有深度；虽遂转载。参考链接在上面


本文转自图森未来首席科学家王乃岩，感兴趣的同学可以移步首席的知乎号交流@Naiyan Wang

正如大家所见，最近一段时间各种所谓anchor-free的detection算法得到了很多的关注，我其实是一个非常不愿意蹭热点的人，技术上的东西更愿意“让子弹飞一会”，再发表看法。所以今天在这里，我们先来谈谈各种对于anchor based detection方法中anchor设置的改进。在正式开始介绍这些改进之前，先先来介绍一些我理解的anchor，以及它在detection系统中发挥的作用。

首先，我想说的第一个观点是绝大多数top-down detector都是在做某种意义上的refinement和cascade。区别无外乎在于，refine的次数以及每次refine的方法。在传统方法中从无论sliding window出发，不断去筛选正样本；还是后续使用Selective search或者Edgebox直接生成proposal都是基于这样的思路。后续基于Deep learning的方法也没有走出这个套路，在one stage算法中，主流的方法便是在refine预先指定的anchor；在two stage算法中，试图使用RPN来替代sliding window或者其他生成proposal的方法，再通过提取的region feature来refine这些proposal。

anchor这个概念最早出现在Faster RCNN的paper中，如果能理解前面提到的内容，其实anchor就是在这个cascade过程中的起点。由于在Faster RCNN那个年代还没有FPN这种显式处理scale variation的办法，anchor的一大作用便是显式枚举出不同的scale和aspect ratio。原因也很简单，只使用一个scale的feature map和同一组weight，要去预测出所有scale和aspect ratio的目标，本身就是很困难的一件事。通过anchor的引入，将scale和aspect ratio进行划分，针对某个特定的区间和组合，使用一组特定学习到的weight去处理，从而缓解这个问题。需要注意的是，anchor本身并不会参与到网络的运算中去，影响的只会是classification和bbox regression分支的target（训练阶段）和怎样decode box（测试阶段）。换句话说，网络其实预测的是相对于anchor的offset，只有在最终从offset转换到bbox时，才会使用。这样的想法也很自然被各种One stage方法所吸收，形成了anchor已经是detection标配的stereotype。说了这么多为什么现在anchor free的方法又卷土重来了呢？这个问题我会在下一篇文章中讲讲我个人的看法，下面言归正传，我们来看看这些尝试去学习和优化anchor的方法都具体做了什么。

在这几篇文章中，想法最为直接的是[1]，想要解决的问题也最为简单，就是在一个dataset上，我怎么选择anchor shape。注意，在这个工作中区别于后续几个工作，学习出来的anchor是在整个dataset上共享的。一般而言，对于anchor shape的设定，除了手工拍拍脑袋随意设置几个scale和aspect ratio之外，对于ground-truth bbox进行一次聚类也是一个常用的方法。在[1]中，作者就是希望减少这部分hand-crafted的工作（虽然还是使用了kmeans作为初始化…）。具体做法也是非常地直接和直观，由于anchor shape在One stage方法中只影响bbox regression分支，我们可以在bbox regression的loss中，把anchor也作为一个优化的变量，求导优化。具体细节就不再赘述，有兴趣的读者可以参照原文。另外一些同时期的工作，在这个基础上更进一步，希望能够得到每张图，甚至是对于feature map上每个位置上都有不同的adaptive anchor，也可以针对不同的dataset泛化性能更强。MetaAnchor[2]算是在这个方向是最早的一个尝试。MetaAnchor希望从一些预设定的anchor出发，有可能再结合上图像本身的feature，生成一组新的anchor weight。如下图所示：

注意，在这里其实生成的并不是refine过的anchor本身，而是直接用于classification和bbox regression分支的weight。这也就是为什么这个工作叫做MetaAnchor的原因，因为这个思想其实源自于meta learning。具体实现上，生成函数G的选取就直接选择为两层的MLP，分别有依赖于图像自身的feature和不依赖于图像自身的feature的两种形式，即：

其中theta*为所有anchor共享的weight。b_i为anchor box自身的表示，作者在文中直接选择了normalized过的长和宽这两维作为anchor的feature。x很直接，即为这个feature map对应位置上的feature。回到上面整体的观点上看，MetaAnchor其实是implicit地多做了一次refinement，只不过不是explicit地生成了新的anchor，而是直接生成了对应的weight。下一个要介绍的工作[3]虽然介绍的motivation看上去和anchor本身无关，但实际的做法也算是某种refinement。在这里，我来讲一讲我自己的看法，而不再重复paper中讲的故事，有兴趣的读者可以直接参阅作者本人的解读：https://zhuanlan.zhihu.com/p/55416312。个人理解，这篇工作其实最想做的是在One stage的框架内，实现了一个两级的Cascade refinement。但是由于不像two stage的方法，可以通过region features来直接align anchor和提取出的feature，作者在文中尝试了下图(b)©(d)三种实现方式，测试得到的最终结果类似，便使用了最直接的办法：两个stage共享同一个head，使用一样的feature，直接去做两次预测。如下图。

其中和原始的RetinaNet的区别在于，在分类和回归的两支上，分别加入对第一次refine之后的新anchor设置新的training target：

在分类的分支上，可以认为同样的一个预测（注意两个term里都是c_i）有两个监督信号，一个是原始anchor对应的label，一个是第一次refine过后的anchor对应的label。在回归分支上略有区别的是这两次refinement对应的regression weight不等，也就是两个term中一个是t_i^{0，一个是t_i}1。个人觉得最起码回归这个branch的方法更合理一些，在这个分类branch中两个输入都不变，在cascade不同层之间只是变化anchor，也就是训练的target，这看上去是一个比较wired的方案。不过，作者在实验中也证明了，哪怕只训练refine之后的label，仍然可以得到可观的性能提升。最后一个要介绍的工作Guided Anchor算是我个人觉得在这几篇工作中完成度最高的一篇。同样，作者本人也有自己介绍过这个工作：https://zhuanlan.zhihu.com/p/55854246

整个方法分为两个大的部分，第一部分是Anchor generation，这个部分并没有太多特别的地方，可以认为是一个特殊的RPN，分别预测这个位置是否存在物体，和以这个位置为中心的anchor的长和宽。和RPN的区别在于，没有中心点的回归，关于为什么这么做，作者自己在上面知乎专栏中已有回复。第二部分是Feature adaptation，个人觉得这是一个非常重要的模块，试图解决one stage中一个核心的问题：anchor和其对应的feature怎样align？这里作者的方案是Feature adaptation模块。作者使用生成的anchor的shape来预测给Deformable Conv使用的offset，这样可以使用deformable conv来aggregate anchor内的feature，可以算是某种简化版本的region feature。通过这个办法，使得最终预测的feature map和实际的anchor scale相关。

另外这篇文章中，比较有意思的一点是探究了对于two stage的方法，怎样使用更好的proposal？也就是说怎样把proposal中更高的recall转换成最终detection结果中的precision。这里作者给出了一些经验：1) 使用更少的proposal训练。 2) 使用更高的正样本IoU threshold。简单来说，在recall更高的时候，我们应该让后续的任务变得更“简单”和“专注”一些，这样避免一些困难样本对detection head的影响。虽然没有特别深入探究这个现象的原因，但这个发现也是很有指导意义的。

总结一下，除了第一篇工作以外，我们都可以从一个统一的视角下来理解这个事情：1) 用尽量低的代价，在one stage detector或者是two stage生成proposal的过程中引入一次额外的refinement，anchor其实只是refine这件事情的一个载体。2) 在detection的head上，有两个输入，即输入的feature和对应的网络weight，决定一个输出，即前面提到的和anchor相关的分类和回归目标，即变化了anchor其实变化的话head的输出。后三篇文章中，都变化了输出，但是对于输入的处理不同：MetaAnchor中变化的是weight，GuidedAnchor中，通过feature adaptation变化了输入的feature，Consistent optimization中全部固定。希望讲了这么多，能够帮助大家更好地理解这一系列的工作。下一篇当然是会来讲讲最近火爆的Anchor free方法啦，敬请期待！

[1] Zhong, Y., Wang, J., Peng, J., & Zhang, L. (2018). Anchor Box Optimization for Object Detection. arXiv preprint arXiv:1812.00469.

[2] Yang, T., Zhang, X., Li, Z., Zhang, W., & Sun, J. (2018). Metaanchor: Learning to detect objects with customized anchors. In NIPS2018.

[3] Kong, T., Sun, F., Liu, H., Jiang, Y., & Shi, J. (2019). Consistent Optimization for Single-Shot Object Detection. arXiv preprint arXiv:1901.06563.

[4] Wang, J., Chen, K., Yang, S., Loy, C. C., & Lin, D. (2019). Region proposal by guided anchoring. In CVPR2019.