Guided Anchoring

titile Region Proposal by Guided Anchoring
url https://arxiv.org/pdf/1901.03278v1.pdf
动机 利用语义特征来指导anchor的生成代替传统的anchor方法(大量anchor)，受物体在图像分布不均匀启发，物体的scale受图像内容影响
内容 anchor设计的原则：
1、alignment：使用卷积特征作为anchor的表示特征，anchor中心需要与feature map像素位置一致
2、consistency：feature map不同位置对应的anchor的感受野大小和语义范围(大小和尺寸)要一致

传统anchor设计的弊端：
1、不同的问题都用相同比例的anchor，错误的设计将会阻碍检测的精度及速度
2、为了proposals保持较高的召回率，生成大量的anchors。其中大多数的anchor为 false candidates，与目标无关，同时也会占用大量的计算资源

GA贡献：
1、新的anchor策略，可以预测任意形状anchor
2、用两个分解的条件分布计算anchor联合分布，并设计两个模块
3、align：设计feature adaption module，根据底层anchor refine feature，保持一致性
4、high-quality proposals

Guided Anchoring：
两条重要信息：(1)目标在图像中的区域 (2) 目标的尺寸、比例与location密切相关
1、选择locations预测概率大于一定阈值的区域
2、选择location最有可能的shape!
3、FPN多层anchor生成，anchor 生成的参数在所有层特征共享
Anchor Location Prediction
location模型：1*1卷积得到objectness 分数，接element-wise sigmoid得到概率，选择概率大于阈值的location，可以过滤90%的anchor，并保持较高的recall

Anchor Shape Prediction：
与传统anchor不同的在于，不改变anchor的位置，所以不会造成anchor和feature的misalignment；一个位置只预测一种形状的anchor，因为locations和shapes的密切联系，recall更高，对极端形状的目标更好(tall、wide)
直接预测w、h取值范围较大，所以进行变换
将取值范围由[0,1000]变成[-1,1]
shape模型：1x1x2的卷积网络预测dw,dh，通过element-wise的(2)式变换得到w,h

Anchor-Guided Feature Adaptation：
传统方法：每个位置均匀共享相同尺寸的anchors，feature map学到连续的表示(consistency)。
本文方法：每个位置形状不同，不能使用传统的全卷积，因为较大anchor的特征应编码较大区域的特征，小anchor特征应编码较小的区域特征。
设计基于每个独立位置anchor形状调整feature 形状的anchor guided feature adaptation模块：
anchor guided feature adaptation模块：3x3的可变形卷积，通过anchor 形状预测分支的offset结合原始feature map可变形卷积得到新的feature map，在新特征上进行分类及回归

Training:
Joint objective:
Anchor location targets：
binary label map：1表示anchor有效位置，0位无效位置
binary label map生成方法(利用ground-truth)：
目标：目标的中心附近anchors较多，较远处较少
1、将ground-truth bbox的坐标由原图映射到feature map
2、bbox区域定义：中心区域为正样本CR，忽略区域ignore IR，外部区域负样本OR。如Figure2
3、FPN：每层feature map只对应特定尺寸的目标；如果feature map与目标尺寸匹配，分配CR。相同区域的相邻层设置为IR；多目标overlap，CR>IR>OR；CR占很少部分，因此使用Focal Loss训练定位分支
Anchor shape targets：
1、匹配anchor与ground-truth
由于没有predefined anchor的宽高，计算IOU是一个问题
对于任意anchor位置（x0，y0）和ground-truth gt，vIoU（awh，gt）的分析表达式很复杂，难以在端到端网络中高效实现
采样w,h常用值，列举w,h。计算采样的anchor与ground truth IOU，选取最大的IOU作为vIOU的近似

2、预测anchor的宽高
本文采样9对不同尺寸及比例的(w,h)。并不直接回归anchor的宽高
损失函数与原始近似相同，由于anchor的位置固定，只优化w,h

The Use of High-quality Proposals：
RPN及GA-RPN产生的anchors IOU的分布规律
GA-RPN优势：
1、正proposals的数量更多。
2、高IOU的proposals比例更有重要。

直接将RPN换作GA-RPN效果提升不大。用GA需要根据proposal分布调整训练样本分布，所以调高了正负样本比，选择少的samples
实验 Experimental Setting：
Implementation details：
1、backbone：ResNet50，FPN
2、σ1 = 0.2, σ2 = 0.5，loss：λ1 = 1, λ2 = 0.1

Results：
Ablation Study：

Model design
Anchor location
Anchor shape（ total anchor number is reduced by 1/k）
Feature adaption
性能提升不仅是因为采用可变卷积，还因为配合了shape prediction得到的offset

Alignment and consistency rule
The use of high-quality proposals(高IOU阈值，少proposals数量)
Hyper-parameters
1、As we sample 3, 9, 15 pairs to approximate Eq.(5), we respectively obtain AR@1000 68.3%, 68.5%, 68.5%.
2、We set λ2 = 0.1 to balance the loss terms by default. We obtain 68.4% with λ2 = 0.2 or 0.05 and 68.3% with λ2 = 0.02.
3、 We vary σ1 within [0.1, 0.5] and σ2 within [0.2, 1.0], and the performance remains comparable (between 68.1% and 68.5%)
思考
最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 219,869评论 6赞 508
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 93,716评论 3赞 396
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 166,223评论 0赞 357
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 59,047评论 1赞 295
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 68,089评论 6赞 395
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 51,839评论 1赞 308
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 40,516评论 3赞 420
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 39,410评论 0赞 276
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 45,920评论 1赞 319
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 38,052评论 3赞 340
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,179评论 1赞 352
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 35,868评论 5赞 346
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 41,522评论 3赞 331
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 32,070评论 0赞 22
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,186评论 1赞 272
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 48,487评论 3赞 375
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 45,162评论 2赞 356

推荐阅读更多精彩内容