NeurIPS 2018 | 旷视科技提出MetaAnchor：自定义锚点框优化目标检测系统

论文名称：MetaAnchor: Learning to Detect Objects with Customized Anchors

论文链接：https://arxiv.org/abs/1807.00980

目录

• 导语

• 背景

• 设计思想

• 方法

• • 锚点框函数生成器

• • 架构细节

• 实验

• • COCO 目标检测结果
• 结论
• 参考文献

导语

随着 ImageNet 退出“江湖”，分类任务趋向饱和。在计算机视觉分类、检测、分割三大核心任务的链条中，由于分类过于基础，过于成熟，检测的首要作用日益加大，连锁效应不断加强。

目标检测遵循自身路径，处理进程先后可分为锚点框、（候选框）、目标框。如果说目标检测是计算机视觉的首块基石，那么锚点框（Anchor）则是目标检测的首块基石。作为基石的基石，锚点框的重要性可见一斑。

鉴于现有目标检测系统采用预定义锚点框的种种问题，旷视科技论文《MetaAnchor: Learning to Detect Objects with Customized Anchors 》（已收录于第 32 届神经信息处理系统大会 NeurIPS 2018 ）提出一种全新而灵活的锚点框机制——MetaAnchor，可通过自定义方式优化目标检测系统。

由此，这就从最为底层的技术组件层面，自下而上优化并迭代计算机视觉和人工智能技术，乃至推动、赋能场景落地和产业发展，实现技术与产业双轮驱动。

具体来讲，目标检测技术的改进和突破，在提升系统精度与速度的同时，将成为城市大脑、智能机器人、智能手机、智慧金融、新零售等行业发展的重要推手；而上述行业作为“棋子”共同汇聚成旷视科技 AI+IoT 这盘大棋。

背景

最近几年，深度神经网络处理目标检测任务的巨大突破有目共睹。实际做法是目标检测算法为一张给定图像生成一系列边界框，同时分类标注每个目标。但是，对于卷积神经网络而言，直接无序地生成任意数量的预测框并非无足轻重，由此锚点框的思想得以引入，在目标检测系统中获得广泛应用。通过运用分而治之的方法，锚点框成功立足于绝大多数当前最优的目标检测框架之中。

简单来说，锚点框把向量空间（包括位置、大小、类别等）分割为若干个离散的（有可能重叠的）方块（bin，即 ground truth box），并通过锚点框函数为每个相应的 bin 生成一个目标框。X 表示从输入图像提取的特征，那么，第 i 个 bin 的锚点框函数可写为：

其中 是先验（prior，也称为 anchor box），用来描述与第 i 个 bin 相关联的目标框的一般属性，比如平均位置/大小和分类标签；同时，判别是否存在一个目标框与第 i 个 bin 相关联，则把目标框（如果有）的相对位置回归到先验 b_i；θ_i 表示锚点框函数的参数。

为借助深度神经网络建模锚点框，枚举是一个直接的策略，并为目前大多数方法所采用。首先，大量预定义 priors B 通过手工选取，或者统计方法（比如聚类）；接着，对于每个，锚点框函数 将分别由一个或多个神经网络层实现。不同锚点框函数的权重是独立的，或者部分共享。

很明显，这种框架的策略（即锚点框的选择以及锚点框函数的定义）在训练和推理之中皆不够灵活。此外，可用锚点框的数量也受制于预定义的 B。

设计思想

本文中，旷视科技提出一种灵活的替代方案建模锚点框。在这一新框架中，锚点框函数由 b_i 动态生成，而不是通过枚举每一个可能的边界框 prior b_i 并分别建模相应的锚点框函数。它的实现源自引入了一个全新的模块——MetaAnchor，可写为：

其中，称之为锚点框函数生成器，它把任一边界框 prior b_i 映射到相应的锚点框函数，w 表示参数。

值得注意的是，MetaAnchor 的先验集 B 不必是预定义的，而是以自定义的方式工作——在推断时，用户可以指定任意 anchor box，生成相应的锚点框函数，并用其预测目标框。接下来，本文会把它与权重预测机制一起展示。锚点框函数生成器可实现优雅部署，嵌入到现有的目标检测框架达成联合优化。

总之，相较于传统预定义的锚点框策略，本文发现，MetaAnchor 具有以下潜在的优势：

1）MetaAnchor 对于 anchor 设置和边界框分布更为鲁棒。在传统方法中，预定义的 anchor box B 经常需要小心设计——锚点框太少可能不足以涵盖稀少的框，或者导致粗糙的预测；但是更多的 anchor 意味着参数更多，有造成过拟合的风险。

此外，很多传统方法使用独立的权重建模不同的锚点框函数，因此很可能在训练时，不相关联于 ground truth 目标框的锚点框会输出较差的结果。与此相反，MetaAnchor 可以在训练时随机采样任意形态的 anchor box，以涵盖不同种类的目标框，同时参数数量保持不变。

进而，根据等式（2），同一权重 w 生成不同的锚点框函数，因此所有的训练数据可以调优所有的模型参数，这意味着对训练框的分布更加鲁棒。

2）MetaAnchor 有助于弥补不同数据集之间的边界框分布的差距。在传统框架中，anchor box B 是预定义的，在训练和测试之时保持不变，这并非最优方案，如果训练集和测试集的边界框分布不同。而在 MetaAnchor 中，锚点框可被灵活地自定义以适应目标数据集（比如，通过网格搜索），而无需重新训练整个检测器。

方法

Anchor 函数生成器

在 MetaAnchor 框架中，如等式（2）所示，锚点框函数生成器 把 b_i 映射到相应的锚点框函数，从而扮演了关键角色。为利用神经网络建模 ，首先要假设对于不同的 b_i，锚点框函数共享同一方程，但是参数不同，这意味着：

接着，由于每一个锚点框函数的区别仅在于其参数 ，生成器由此可预测 ，如下所示：

其中 θ^* 代表共享参数（独立于 b_i 且同样可学习），残差项取决于锚点框 b_i。

本文通过一个简单的二层神经网络实现：

这里，W_1 和 W_2 皆是可学习参数，是**函数（文中使用 ReLU）。隐藏神经元的数量用 m 表示，实际上 m 通常远小于 的维数，这导致预测的权重聚集在一个明显低阶的子空间，这就是为什么在等式（4）中把 方程化为一个残差项，而不是直接使用。

架构细节

理论上讲，MetaAnchor 适用于绝大多数现有的基于锚点框的目标检测框架，但是对两步检测器的最后预测似乎并无助益，遂把主要研究精力聚焦于单步检测器，并以当前最优的单步检测器——RetinaNet 为例展示 MetaAnchor 架构。

图 1：“把 MetaAnchor 应用于 RetinaNet” 示意图。

图 1（a）是 RetinaNet 示意图。简单来讲，5 层的特征 提取自一个 “U 形”的基础网络，其中 P_3 表示最优的特征图（即分辨率最高），P_7 则是最粗糙的。对于每一层特征，附加一个名为“检测头”的子网络生成检测结果。锚点框函数在每个检测头的尾部被定义。

为应用 MetaAnchor，需要重新设计原始的锚点框函数，保证其参数生成于自定义锚点框 b_i。首先要考虑如何编码 b_i，一个包含位置、尺寸、分类标签等信息的向量。在本文实验中，b_i 主要于锚点框尺寸相关，并表示为：

其中 ah_i 和 aw_i 是相应锚点框的高和宽，（AH，AW）是作为正则化项的“标准锚点框”的尺寸。

图 1（b）示意了 MetaAnchor 在 RetinaNet 每个检测头的用法。在 MetaAnchor 中，通过两个独立的锚点框函数生成器 和 分别预测其权重。在 的设计中，隐藏神经元数量 m 设置为 128。此外，在 MetaAnchor 中，过滤器的数量减为 80，过滤器的数量减为 4。

值得注意的是， RetinaNet 中所有检测头的相应层的权重相同，甚至包括代表锚点框函数的最后层。为与上述设计一致，MetaAnchor 为每一层级的检测头使用相同的锚点框生成器函数 和 ，同时“标准框”（AH，AW）在不同层级保持不同。在本文实验中，最低层级（即 P_3）标准框尺寸是所有 anchor box 尺寸的平均值，如表 1 最后一列所示。

表 1：Anchor box。

实验

本文主要在 COCO 目标检测任务中评估 MetaAnchor 的表现。如上所述，基础检测框架使用 RetinaNet，其中特征提取器使用在 ImageNet 分类数据集上预训练的 ResNet-50。

除非特别说明，MetaAnchor 使用锚点框函数生成器的独立于数据的变体。训练时，MetaAnchor 子网络借助基础检测器联合优化。MetaAnchor 不使用批归一化。

COCO 目标检测结果

本文在 COCO-full 数据集上对比了嵌入与不嵌入 MetaAnchor 的 RetinaNet 的表现。训练和测试的输入分辨率都是 600x，基础特征提取器是 ResNet-50，性能指标采用 COCO-minival 数据集的标准 mmAP。

表 8：在 COCO-minival 上的结果

表 8 给出了结果。有趣的是，本文复现的 RetinaNet 模型性能优于 RetinaNet 原论文 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，性能优于本文实现的原始 RetinaNet 1.7%，优于 RetinaNet^*（复现 RetinaNet 的最好结果） 0.6%；而借助数据的 MetaAnchor 模型则进一步把性能提升 0.4%。

另外，本文还印证了推理可通过 greedy search 轻松实现涨点而无需重训练。

图 2 可视化了由 MetaAnchor 模型预测的一些检测结果，可以明显看到检测框的形状随着自定义锚点框 b_i 而变化。

图 2：不同自定义锚点框之下的检测结果。

本文同样在 PASCAL VOC 2017 数据集上评估了这一方法。

为进一步验证 MetaAnchor，本文又在 YOLO v2 上做了实现。在 MetaAnchor 中，“标准框” （AH，AW）是（4.18，4.69）。结果如表 7 所示。很明显，MetaAnchor 优于 YOLO v2 baseline，并借助 greedy search 实现性能涨点。

表 7：嵌入MetaAnchor 的 YOLO v2 在 COCO-minival 上的结果。

结论

旷视科技提出了一个全新而灵活的锚点框机制，称之为 MetaAnchor，它为目标检测框架而生，其锚点框函数可由任意自定义的先验框动态生成。

加上权重预测，MetaAnchor 可与大多数基于锚点框的目标检测系统协同工作，比如当前最优的单步检测器 RetinaNet。相较于预定义锚点框方法，实验证明 MetaAnchor 对于锚点框设置和边界框分布更为鲁棒，并在迁移任务上变现出潜力。

COCO 目标检测任务的实验表明，MetaAnchor 在多个维度连续优于同类方法。

参考文献

• 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 segment every 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. Focal loss for dense object detection.

• arXiv preprint arXiv:1708.02002, 2017.

• J.Redmon ,S .Divvala ,R .Girshick, andA .Farhadi.You only look once :Unified ,real-time object 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.