目标检测之AnchorBox详解

Anchor在计算机视觉中称为描点或者描框，在目标检测中，作为描框anchor box应用于各个目标检测的网络模型中，也称为先验框。

 

来历，及应用场景：

Anchor最新在Faster rcnn被提出及应用，后被YOLOV2借鉴，及应用与YOLO之后的各个版本。之后的各个目标检测框架都基本采用Anchor Box进行目标检测。

那么就要说到，为什么要提出AnchorBox。那就要追根到之前的目标框的选择方式。

在Fast rcnn中，要提取2000个候选框，通过Selective Search和EdgeBoxes等方法，然后对这个2000个候选框再进行判断及NMS等操作，最后筛选出最终的方框。然而，这部分工作存在时间瓶颈，而且每个特征都可能被重复多次计算，于是Faster rcnn采用RPN网络，引入Anchor box，通过网络去获取候选框，从而大大减少了时间开销。AnchorBox的原理是基于SPPNet，每个特征点都可以映射到原图片的相对应的像素点。

而对于YOLO系列，原本是通过直接预测坐标从而得出候选框，再Faster rcnn采用Anchor Box之后，YOLOV2发现使用Anchor Box可以简化问题，从而使网络模型更容易学习，于是，YOLO也从此应用上了AnchorBox

 

关于Anchor Box的相关问题

1.Faster rcnn及YOLO中，AnchorBox到真实框的转换公式

很多人都了解Faster rcnn及YOLO，也都知道他们都使用了Anchor Box，然而，却不知道他们的Anchor Box的区别。

（1）.Faster rcnn:

Gx = Aw * dw + Ax Gw = Aw * exp(dw)

Gy = Ah * dh + Ay Gh = Ah * exp(dh)

其中G代表的是真实框，A代表的是先验框AnchorBox，d代表的是预测的输出值

其中Ax，Ay为AnchorBox的中心点坐标，Aw，Ah为AnchorBox在对应原图的相对宽高。

（2）.YOLO：

bx = sigmoid(tx) + cx bw = Pw * exp(tw)

by = sigmoid(ty) + cy bh = Ph * exp(th)

其中b代表的是真实框，而cx，cy是grid cell在feature map中的左上角坐标，而Pw，Ph同Faster rcnn一致，都为相对原图的box宽高。

值得注意的是，Faster rcnn和YOLO在求中心点坐标的时候存在差异，因为Ax，Ay对应的是AnchorBox的中心点坐标，所以要通过求偏移量Aw*dw来对中心点进行校正，因为存在向左或向右偏移，所以偏移量存在正负。而YOLO中cx，cy为左上角坐标，所以实际中心点坐标相对于grid左上角坐标，只存在向下及向右偏移，所以采用了sigmoid，将偏移量限定在0-1之间。

 

2.为什么Faster rcnn的中心点坐标偏移量采用Aw*dw?

为什么要乘以AnchorBox的Aw，而不直接预测出偏移量呢？一个合理的解释如下：

 

对于两个不同尺度的同个物体，CNN提取的特征y是一致的，假设求边框回归的函数映射为f，即f(y)是一致的，这代表了求出来的中心点坐标的偏移量也一致，但从上图可知，大尺寸的坐标偏移量会偏大点，所以，要乘以AnchorBox的宽高，进行规格化处理。

 

3.为什么求宽高时要采用exp函数

其原因有如下两点

（1）.因为宽高都为正数，所以要限制为大于0，所以采用exp函数

（2）.因为将尺度缩放至对数空间，可以减小训练过程中不稳定的梯度变化。

 

4.训练过程中，ground truth要与哪个Anchor Box进行配对。

每个grid cell存在多个Anchors Box，那么要与哪个Anchor Box进行配对呢。在YOLO训练过程中，会通过groud truth的中心点坐标将其分配到某个grid cell中，再与当前的grid cell中Anchor Box进行一一配对，选取IOU最大的作为最终配对，正样本，而剩下的Anchor Box不进行配对。而现在其他模型，为了提高召回率及平衡正负样本的比例分布，往往取IOU大于某个阈值，比如0.5的均做为正样本，而在某个范围内，比如0.4-0.5之间的，作为中立样本，而低于某个阈值的，比如0.4的，作为负样本，然后，负样本会以loss进行倒叙排序，取出前正样本数*3的负样本数进行训练。

 

5.Anchor Box的尺寸设定

在大多数目标检测网络，如Faster rcnn，在选取Anchor Box的尺寸上为人工设定，而对于YOLO系列，从YOLOV2版本使用Anchor Box开始，便是使用K-mean聚类，通过训练集，从数据集中获取Anchor Box。

 

6.Anchor Box的生成

有两种生成方法：

第一种，有两个参数，第一个是scales = [128,256,512]，第二个是ratios = [0.5,1,2].

scales代表的是anchor box在输入图片的box大小，即面积为scales^2的box。

ratios代表在面积恒定的条件下，对宽高进行缩放，使宽高比例为ratios的box。

第二种，有三个参数，第一个是base_size = 16，第二个是anchor_scales = [8,16,32]，第三个事anchor_ratios = [0.5,1,2]

base_size代表的是特征层一个像素点对应输入原图片的大小，因为缩小了16倍，所以特征输出层的一个像素点的感受野为原图片的16*16。

anchor_scales是将base_size*anchor_scales 即得到最终的anchor box的大小，即16*[8,16,32] = [128,256,512]

anchor_ratios与第一种方法的含义相同。

值得注意的是，我们提到的Anchor Box的大小，都是指对应在原输入图片的大小，而非输出特征层。

Scale的边框大小也是指原输入图片的大小，而非输出特征层。