点击上方“AI算法修炼营”，选择“星标”公众号

精选作品，第一时间送达

本文是收录于CVPR2020的工作，其实文章在去年就挂在了网上，整体思路还算不错。具体来说，本文提出Multiple Anchor Learning（MAL），是一种可以自动学习anchor的方法用于解决分类和定位置信度之间的不匹配问题，通过anchor-object匹配来联合优化分类和定位。其中对抗方法获得最优解的方法，可以重点学习。

论文地址：https://arxiv.org/pdf/1912.02252.pdf

代码地址：https://github.com/KevinKecc/MAL

分类和定位是视觉目标检测器的两个最重要的环节。但是，在基于CNN的目标检测器中，这两个模块通常在一组固定的候选（或anchor）边界框下进行优化。这种配置大大限制了联合优化分类和定位的可能性。另外，在基于anchor的目标检测方法中，检测器利用目标与anchor之间的IoU作为分配anchor的标准，每个被分配的anchor独立地监督网络学习，以进行分类与定位。也就是说，分类与定位之间是没有交互的，如果一个检测结果的定位精度较高但分类置信度较低，那么它有可能在NMS操作中被过滤掉。

在本文中，提出了一种Multiple Anchor Learning（MAL）方法，该方法自动选择anchor并共同优化分类和定位两个模块，通过IoU构造了anchor bags并从每个bag中选择分类分数和定位分数同时达到最高的anchor。但是这样的迭代选择过程可能难以优化，为了解决这个问题，本文提出一种selection-depression优化策略，通过对所选的最优的anchor的相应特征增加扰动来反复降低其置信度，保证最终选择的anchor是最优的。实验表明，MAL改善了baseline RetinaNet的性能，与常用的MS-COCO目标检测baseline相比有显着提高。

简介

目标检测算法一般利用目标与anchor之间的IoU作为分配anchor的标准，每个被分配的anchor独立地监督网络学习，以进行分类与定位。因此，分类和定位任务通常是分开独立的，同时，目标检测中的anchor的选取大大限制了联合优化分类和定位的可能性。在训练过程中，如果没有对分类和定位两个任务进行同时优化，则准确定位的目标可能具有较低的分类置信度，并且会被非极大抑制算法（NMS）过滤（请参见图1）。

图1 baseline检测器（RetinaNet）和MAL检测器在使用NMS之前和之后对比输出。baseline检测器可能会生成具有低分类分数、高定位分数的IoU的边界框（黄色bbox）或具有高分类分数、低定位分数的IoU的边界框（红色bbox），这会导致进行NMS后出现次优结果。MAL产生具有同时具有较高分类分数和定位分数的边界框，从而在NMS之后获得更好的检测结果。

针对该问题的最新研究包括IoU-Net 和FreeAnchor，但是，在训练过程中仍然使用独立的分类和定位分支进行置信度计算。FreeAnchor根据分类和定位上的联合概率来选择anchor。但是，考虑到问题的非凸性，基于最大似然估计（MLE）的匹配过程并不是最佳的。

在本文中，提出的Multiple Anchor Learning（MAL）可以看作是一种可以自动学习anchor的方法，通过anchor-目标的匹配来联合优化分类和定位。在训练时，根据anchor与目标bbox之间的IoU进行排序，选择IoU位于前面的anchor，用它们构建一个属于该目标的anchor bag，然后MAL通过结合分类与定位分数，评估出每个anchor bag中的positive anchor。在每次迭代过程中，MAL使用所有的positive anchor来优化训练损失，选出分数最高的anchor作为最终的选择。这样一来，分类分数和定位分数就能同时达到最高。

MAL是在多实例学习（MIL）基础上对anchor selection loss进行优化的。但是，常规的MIL的迭代选择过程可能难以优化。在每次迭代中选择分数最高的anchor可能并不会达到最好的结果，比如目标的一部分被错误地定位，但由于分类分数较高，因此总分数也较高。为了解决这个问题，本文还提出一种selection-depression优化策略，通过扰动分数较高的anchor的特征，来反复降低该anchor的置信度，从而保证最终所选择的anchor是最优的。

主要贡献：

（1）提出了一种多锚学习（MAL）方法，通过评估和选择anchor来共同优化用于目标检测的分类和定位模块。

（2）提出了一种selection-depression优化策略，提供了一种优雅且有效的方法来防止MAL在训练期间陷入检测器的次优解决方案。

baseline：RetinaNet

RetinaNet的框架整体是ResNet+FPN+FCN，它使用ResNet作为backbone来提取图像特征，然后从中抽取5层特征层来构建特征金字塔网络（FPN: feature pyramid network），最后接两个独立的全卷积网络（FCN: full convolution network）分别得到物体的类别信息和位置框信息。

△ RetinaNet框架

对于RetinaNet的网络结构，有以下5个细节：

（1）在Backbone部分，RetinaNet利用ResNet与FPN构建了一个多尺度特征的特征金字塔。

（2）RetinaNet使用了类似于Anchor的预选框，在每一个金字塔层，使用了9个大小不同的预选框。

（3）分类子网络：分类子网络为每一个预选框预测其类别，因此其输出特征大小为KA×W×H, A默认为9, K代表类别数。中间使用全卷积网络与ReLU激活函数，最后利用Sigmoid函数输出预测值。

（4）回归子网络：回归子网络与分类子网络平行，预测每一个预选框的偏移量，最终输出特征大小为4A×W×W。与当前主流工作不同的是，两个子网络没有权重的共享。

（5）Focal Loss：与OHEM等方法不同，Focal Loss在训练时作用到所有的预选框上。对于两个超参数，通常来讲，当γ增大时，α应当适当减小。实验中γ取2、α取0.25时效果最好。

本文方法：Multiple Anchor Learning

图2.MAL的主要思想。在特征金字塔网络中，为每个目标对象bi构造一个anchor bag 。结合网络参数学习（即反向传播），MAL评估了每个anchor在ai中的联合分类和定位置信度。这样的置信度用于anchor选择，并表示了在网络参数变化过程中chor的重要性。

MAL是基于RetinaNet 网络体系结构实现的。MAL通过找到用于分类和定位的anchor/feature的最佳选择来优化RetinaNet。图2是MAL的整体思想，在每次迭代过程中，MAL选出anchor bag中得分较高的anchor以更新模型，更新后的模型为每个anchor评估新的置信度。通过一次次的anchor选择和模型学习以实现最终的优化。

1、 Multiple Anchor Learning（MAL）

在每次学习迭代中，MAL选择anchor bags中的得分高的anchor来更新模型。更新后，模型会评估每个具有新置信度的anchor。模型学习和anchor选择迭代地朝着最终优化的方向执行。具体步骤为：首先为第i个目标构建一个anchor bag Ai ，也就是根据anchor与gt之间的IoU，选出前k个anchor 放入Ai  中。然后在网络参数的学习过程中，MAL为Ai 中的anchor评估出它们的分类和定位置信度，这些置信度用于之后anchor的选择以及说明每个anchor的重要性。这里仅考虑对positive anchor的计算，MAL有如下目标函数：

其中fθ(⋅)和gθ(⋅) 分别计算分类和定位置信度，β是正则化因子，最终是要为目标i选出最优的positive anchor，同时学习网络参数θ∗ 。

在构建Ai 之后，MAL评估出Ai 中每个anchor的分类和定位置信度，利用式（3）选出分数较高的anchor来更新模型参数，再使用更新后的模型重新评估anchor的分类和定位置信度，经过一次次这样的迭代过程，最终选出最优的anchor，以及计算出最优的模型参数。

可以将MAL的目标函数改写为：

其中Ldet和Lcls分别表示定位和分类损失与RetinaNet上一致。

2、 Selection-Depression Optimization

随机梯度下降（SGD）优化方法是一个非凸问题，它可能会导致anchor选择不理想。为了缓解该问题并选择最佳anchor，本文通过扰动相应特征来反复降低选定anchor的置信度。

Anchor Selection

常规的MIL算法倾向于选择得分最高的anchor。但是，在物体检测的情况下，很难从每个anchor bag中选择得分最高的锚点。因此本文提出"All-to-Top-1"anchor 选择策略，在学习过程中，线性降低Ai 中的anchor数量直到降为1。设λ=t/T ，t 和T分别是当前和总的迭代次数，然后设ϕ(λ) 表示排名前几位的anchor的索引，∣ϕ(λ)∣=∣Ai∣∗(1−λ)+1 ，那么式（3）可以被改写为：

沿着这一pipline，MAL利用目标区域内的多个anchor/feature在早期训练epoch中学习检测模型，并在最后一个epoch得到最佳的anchor。

Anchor Depression

受nverted attentionnetwork 的启发，anchor depression模块其实就是给未被选择的anchor更多的机会以参与训练。设feature map和attention map分别是U 和M ，其中w 是U 的全局平均池化，l 是U 的通道索引。然后通过将较高的值骤降为0，生成新的depressed attention map ，那么被扰动后的feature map V 为：

其中ψ(λ) 表示有多少个像素被扰动。

3、Optimization Analysis

selection-depression策略其实是一个对抗的过程。selection找出得分较高的anchor从而最小化检测损失Ldet 而depression通过扰动这些被选择的anchor的特征，降低这些anchor的置信度，从而Ldet又再一次上升。如下图所示，在第一个弯道中，MAL选择次优的anchor并且陷入损失函数的局部最小值；然后在第二个弯道中，anchor depression增加了损失，使得局部最小值被"填满"，从而MAL能够继续这个优化过程。通过这种方式，在最终收敛的时候，MAL能有更好的机会找到最优解。

实验与结果

数据集：COCO benchmark

评价指标：在所有类别中，AP根据十个不同的IoU阈值（即0.5：0.05：0.95）计算得到。

1、消融实验

首先，在特征激活图上可视化了图5中MAL的有效性。MAL与RetinaNet相比，MAL可以激活物体上的更多部分并在后处理环节抑制更多部分，这表明MAL改进了功能以实现更好的目标检测。

2、对比实验

更多实验细节，可以参考原文。

参考

https://blog.csdn.net/qq_30146937/article/details/105725804