如何进行目标检测中Anchor的本质分析

在object detection的一些非常有名的model上面，有一个最开始非常难以理解的概念----Anchor。这个Anchor在Faster RCNN上面也叫reference boxes，也就是参考框。参考框的意思肯定是会带来先验的知识。首先考虑目标检测的任务，输入图片，输出的是包含目标类别的矩形框（Bounding Boxes）具体可以看下图：

 

那么一个比较核心的问题，就是这个框的形状和大小，对应的就是在各种anchor-based的文章里面提的非常多的ratio和scale。ratio很简单，就是长宽之比（1:1，1:2， 2:1....），scale可以理解为边长。那为什么会有Anchor这种东西？其起到的作用是什么？其实Anchor的本质就是多尺度的滑动窗口（sliding window in multi-scale）。好像现在还没有人这样去理解他，下面具体来分析。

首先看下传统的detection是怎么做的，比如haar、hog特征的人脸、行人、车辆检测。这些方法是在CNN-based之前的主流方法，只不过后来被CNN打败。其具体的流程如下:

1.生成图像金字塔，因为待检测的物体的scale是变化的

2.用滑动窗口在图片金字塔上面滚动生成很多候选区域(如下面动图所示)

 

3.各种特征提取（hog）和分类器（svm）来对上面产生的候选区域中的图片信息来分类（比如：是否为人脸）

4.NMS非极大值抑制得到最后的结果

那么CNN以其强大的特征提取能力，自然而然的可以替代步骤3。但是由于步骤1和2的存在是独立于CNN之外，而且需要大量的循环遍历，速度受到了限制。而且要想好的定位精度，必须有比较多的scale和ratio不同的滑窗，这样又增加了时间。那么在深度学习中，我们总是在讲end2end，那么怎么把1/2步骤融合进去？其实在窗口滑动的时候，本质是一个遍历像素的过程，那么我们可以直接为每个像素分配几个不同scale和ratio的窗口矩形，这些矩形的中心都是其所属的像素点。至于scale和ratio的选取，可以根据一些先验知识或者像YOLO-v2一样通过k-means聚类得到。然后每个像素分配几个不同scale和ratio的窗口矩形就是Anchor。其实本质就是把基于像素遍历的一个过程直接分配到每个像素来做，然后CNN是可以直接做基于像素的一个Dense Map的预测的。下面可视化一下Anchor（这里只可视化了200个）：

 

可以看出200个anchor已经基本上覆盖了整个图片了，一般的网络模型的anchor都是在几万个左右，比如Retina-Face的anchor在25000左右。那么我们回到步骤3. 现在就是要用CNN来给这么多个Anchor来分类了，比如是否为人脸。

那么怎么判断这些anchor的分类就比较简单了，就是看这些anchor与给定的矩形框的iou是否满足条件，比如iou>0.5认为是Postive，<0.2认为是Negtive。iou的计算也很简单，如下：

 

那么我们实际看一张人脸图片中，Postive anchor的可视化情况：

可以看出这些绿色的anchor都是基本上大部分包含了人脸的，是Postive的样本。可以看出这样cnn现在对于分类的基本上没有问题，但是在定位上面会有较大的误差。所以后续还有基于anchor的bbox的坐标的预测，其实本质也是增加CNN的输出的depth，来预测4个值（x, y, w, h）的offset。这个可以详细看下YOLO系列或者Faster RCNN。那么现在anchor的机制本质上，就是一堆变scale和ratio的滑动窗口，只不过通过CNN的Dense Map Prediction的方式整个嵌入到一个end2end的框架里面了。

其实最重要的核心还是弄懂CNN网络的输入与输出的shape

输入是图片、输出的是一个表示各个anchor的classification和localization的预测值

针对人脸检测来看，比如假设有N个anchor，那么输出的shape应该是N*(2 + 4)，其中2表示分类的预测，是否为人脸，4表示（x,y,w,h）相对于anchor的offset的预测。