不同种类的anchor-based和anchor-free的相关算法

前言

由于在学习和应用目标检测算法时，不可避免的接触到正负样本的生成策略等知识点，并且正负样本的区分策略对算法最终效果至关重要。因此，通过参考他人的文章资料，本文将目标检测中正负样本的区分策略进行汇总。为了能将主要篇幅集中在不同算法生成正负样本的策略上，本文不对每个算法完整结构进行详细介绍。本文涉及了不同种类的anchor-based和anchor-free的相关算法（共5个算法）。并且会在后续文章中，继续补充其他算法（例如yolo系列、centernet、ATSS等）。

一、正负样本的概念

目前，许多人在看相关目标检测的论文时，常常误以为正样本就是我们手动标注的GT（ground truth），这个理解是错误的，正确的理解是这样的：

首先，正样本是想要检测的目标，比如检测人脸时，人脸是正样本，非人脸则是负样本，比如旁边的窗户、红绿灯之类的其他东西。其次，在正负样本选取时，要注意：正样本是与GT的IOU值大于阈值时的取值，负样本是小于阈值的，其他的则把它去除即可。

总之，正负样本都是针对于程序生成的框而言，非GT数据[^1]。

二、为什么要进行正负样本采样？

需要处理好正负样本不平衡问题：在ROI、RPN等过程中，整个图像中正样本区域少，大部分是负样本[^2]。

提高网络收敛速度和精度：对于目标检测算法，主要需要关注的是对应着真实物体的 正样本 ，在训练时会根据其loss来调整网络参数。相比之下， 负样本对应着图像的背景，如果有大量的负样本参与训练，则会淹没正样本的损失，从而降低网络收敛的效率与检测精度。

三、anchor-free和anchor-based

二者的区别在于是否利用anchor提取候选框[^2]

从anchor回归属于anchor-based类，代表如faster rcnn、retinanet、YOLOv2 v3、ssd等，

从point回归属于anchor-free类，代表如cornernet、extremenet、centernet等，

二者融合代表如fsaf、sface、ga-rpn等。

四、典型算法

1、MTCNN

论文：Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks

算法推理流程图

MTCNN算法训练过程：[^3]：

PNet的输入尺寸为, RNet的输入尺寸为, ONet的输入尺寸为。

由于PNet输入是一个大小的图片，所以训练前需要把生成的训练数据（通过生成bounding box，然后把该bounding box 剪切成大小的图片），转换成的结构。其他网络输入尺寸如下图所示：

1）正负样本的定义

训练数据可以通过和GT的 IOU 的计算生成一系列的 bounding box。可以通过滑动窗口或者随机采样的方法获取训练数据，训练数据分为三种正样本，负样本，中间样本[^4]。

正样本：IOU > 0.65部分样本：0.4 < IOU < 0.65负样本: IOU < 0.3

如下图所示，为依据图片中人脸框的坐标信息生成正样本和部分样本：由于篇幅原因，下图中IOU的计算过程没有截图，可以参考[^4]的源码。

注意：代码中的 w、h 分别是GT的尺度。

此处生成正样本的脚本，除了对生成的矩形框尺度进行约束，还约束了矩形框的中心点坐标范围。笔者认为，这样做主要是为了提高生成正样本的效率：因为一张图片中正样本的数量是非常有限的，要确保生成的矩形框与GT的IOU大于一定阈值才能成为正样本。

如下图所示，使用随机采样的方式生成负样本：红色框为crop_box计算方法，相对正样本的生成方式更简单。

注意：代码中的 width、height 分别是原始图像的尺度。

训练样本包含：正样本，负样本，部分样本，关键点样本。比例为 1 : 3 : 1 : 2

训练主要包括三个任务：

人脸分类任务：利用正样本和负样本进行训练，

人脸边框回归任务：利用正样本和部分样本进行训练，

关键点检测任务：利用关键点样本进行训练。

MTCNN算法测试过程：[^3]：

1、首先整张图像经过金字塔，生成多个尺度的图像（图像金字塔），然后输入PNet，PNet由于尺寸很小，所以可以很快的选出候选区域。但是准确率不高，不同尺度上的判断出来的人脸检测框，然后采用NMS算法，合并候选框。

2、根据候选框提取图像，之后缩放到的大小，作为RNet的输入，RNet可以精确的选取边框，一般最后只剩几个边框。

3、最后缩放到的大小，输入ONet,判断后选框是不是人脸，ONet虽然速度较慢，但是由于经过前两个网络，已经得到了高概率的边框，所以输入ONet的图像较少，然后ONet输出精确的边框和关键点信息，只是在第三个阶段上才显示人脸特征定位；前两个阶段只是分类，不显示人脸定点的结果。

2、Faster rcnn

论文：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

算法整体结构

1）Anchor概念

Anchor（锚框）：

Anchor本质上是在原图上预先定义好（这个预先定义十分关键）的一系列大小不一的矩形框[^5]。

为什么要引入Anchor呢？

这是因为之前的目标检测都是模型直接回归边框的位置，而通过引入Anchor相当于加入了强先验信息，然后通过锚框再去筛选与修正，最后再得到预测框。这样做的好处在与是在Anchor的基础上做物体检测，这样要比从无到有的直接拟合物体的边框容易一些。

具体的做法就是：让模型去预测Anchor与真实边框的偏移值，而不是直接预测边框的坐标[^5]。

如何生成Anchor呢？

从图片到卷积特征图

特征图（feature map）上的每一个点都生成一组锚点。注意：即使我们是在特征图上生成的锚点，这些锚点最终是要映射回原始图片的尺寸（参考下图感受野的相关概念[^7]）。

因为我们只用到了卷积和池化层，所以特征图的最终维度与原始图片是呈比例的。数学上，如果图片的尺寸是，那么特征图最终会缩小到尺寸为 和，其中 r 是次级采样率。如果我们在特征图上每个空间位置上都定义一个锚点，那么最终图片的锚点会相隔 r 个像素，在 VGG 中，，此处可以参考文章最后的文献[^6]。 所以，feature map上一点对应到原图的大小为的区域。

原始图片的锚点中心

在目标检测中，需要检测的目标形态大小各异，如果统一以固定大小的窗口进行检测，肯定会影响检测效果，降低精度。因此Faster R-CNN算法为每个滑动窗口位置配置了9个基准矩形框来适配各种目标。即，对于每张输入的特征图像的每一个位置，使用9种尺度的候选窗口：三种面积{, , }，三种比例{1 : 1, 1 : 2, 2 : 1}，目的是尽可能的将尺度大小不一的特定目标区域特征检测出来，并判断候选窗口是否包含感兴趣的目标。

Anchor原理图(如上图所示)

原始图片的锚点中心生成的9种候选框（如上图所示）

原始图片中所有anchor可视化（如上图所示）

左侧：锚点、中心：特征图空间单一锚点在原图中的表达，右侧：所有锚点在原图中的表达（如上图所示）

2）正负样本的定义[^8]

faster rcnn中正负样本是根据anchors的标定规则来生成的。

（1）正样本的生成：

如果某个anchor和其中一个GT的最大iou大于pos_iou_thr，那么该anchor就负责对应的GT；

如果某个GT和所有anchor的iou中最大的iou会小于pos_iou_thr，但是大于min_pos_iou，则依然将该anchor负责对应的gt。通过本步骤，可以最大程度保证每个GT都有anchor负责预测，如果还是小于min_pos_iou，那就没办法了，只能当做忽略样本了；

（2）负样本的生成：

如果anchor和GT的iou低于neg_iou_thr的，那就是负样本，其应该包括大量数目；

其余的anchor全部当做忽略区域，不计算梯度。

该最大分配策略，可以尽最大程度的保证每个GT都有合适的高质量anchor进行负责预测。

RPN中正负样本定义

RCNN中正负样本定义

3）正负样本的采样

虽然上文中的最大分配策略可以区分正负样本和忽略样本，但是依然存在大量的正负样本不平衡问题。

解决办法可以通过正负样本采样或者loss上面一定程度解决，faster rcnn默认是需要进行正负样本采样的。 rpn head和rcnn head的采样器都比较简单，就是随机采样，阈值不一样而已。

RPN head采样器

注意：RPN中的add_gt_as_proposals=False

rcnn head采样器

注意：rcnn中的add_gt_as_proposals=True

dict函数中各个参数具体含义：

num表示采样后样本总数，包括正负和忽略样本。

pos_fraction表示其中的正样本比例。

neg_pos_ub表示正负样本比例，用于确定负样本采样个数上界，例如我打算采样1000个样本，正样本打算采样500个，但是可能实际正样本才200个，那么正样本实际上只能采样200个，如果设置neg_pos_ub=-1，那么就会对负样本采样800个，用于凑足1000个，但是如果设置为neg_pos_ub比例，例如1.5，那么负样本最多采样个，最终返回的样本实际上不够1000个。默认情况neg_pos_ub=-1。

由于rcnn head的输入是rpn head的输出，在网络训练前期，rpn无法输出大量高质量样本，故为了平衡和稳定rcnn训练过程，通常会对rcnn head部分添加gt作为proposal。因此，上述两个采样器还有一个参数add_gt_as_proposals。

3、SSD

论文：SSD: Single Shot MultiBox Detector

SSD是最典型的多尺度预测结构，是非常早期的网络。

可以通过如下网络结构对比图，大致理解SSD解决多尺度问题的思路与其他网络的区别。

左侧：仅在一种尺度的特征图上进行检测，例如Faster rcnn。右侧：在多种尺度特征上进行检测，例如SSD。

1）SSD核心设计思路[^9]：

（1）采用多尺度特征图用于检测

所谓多尺度采用大小不同的特征图(feature map)，CNN网络一般前面的特征图比较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小。

下图所示，一个比较大的特征图和一个比较小的特征图，他们都用来做检测。这样做的好处是：比较大的特征图用来检测相对较小的目标，而小的特征图负责检测大目标，的特征图可以划分更多的单元，但是其每个单元的default box尺度比较小。

左侧：的特征图上设置尺寸小的先验框。右侧：的特征图上设置尺寸大的先验框

特别注意：上述两个特征图尺寸是不一样的，的尺寸比的尺寸大，但是，的特征图中每个小格子，即feature map cell的感受野都比小，即，每个小格子映射回原图时对应的图片区域。一块区域就可以看做一组特征。然后对这些特征进行分类和回归。

（2）采用卷积进行检测

SSD直接采用卷积对不同的特征图来进行提取检测结果。对于形状为的特征图，只需要采用这样比较小的卷积核得到检测值。此处主要是与yolo最后采用全连接层的方式进行对比。

（3）设置先验框（default boxes）

SSD借鉴了Faster R-CNN中anchor的理念，每个单元设置尺度或者长宽比不同的先验框(default boxes)，预测的边界框(bounding boxes)是以这些先验框为基准的，在一定程度上减少训练难度。

一般情况下，每个单元会设置多个先验框，其尺度和长宽比存在差异，如下图所示，可以看到每个单元使用了4个不同的default boxes(SSD中不同尺度的特征图可以设置不同个数的先验框)，图片中猫和狗分别采用最适合它们形状的先验框来进行训练，后面会详细讲解训练过程中的先验框匹配原则。

如上图所示，在不同尺度的特征图上设置不同尺度和长宽比的先验框

每一个feature map中的每一个小格子(cell)都包含多个default box，同时每个box对应loc(位置坐标)和conf(每个种类的得分)。

default box长宽比例默认有四个和六个：四个default box是长宽比（aspect ratios）为(1:1)、(2:1)、(1:2)、(1:1)；六个则是添加了(1:3)、(3:1)。

为什么会有两个(1:1)呢？

这时候就要讲下论文中Choosing scales and aspect ratios for default boxes这段内容了。作者认为不同的feature map应该有不同的比例(一个大框一个小框，长宽比相同，但是不同feature map 相对于原图的尺寸比例不同)。这是什么意思呢？代表的是default box中这个1在原图中的尺寸是多大的。

（4）计算先验框min_sizes和max_sizes的方式

对于先验框的尺度，其遵守一个线性递增规则：随着特征图大小降低，先验框尺度线性增加。计算公式如下所示：

****即代表在300*300输入中的比例，表示第k层feature map上生成的先验框大小相对于图片的比例。

****代表的是特征图索引。

为当前的网络结构中可以生成先验框的feature map层数。特别注意：，因为一共有6个feature map，但是第一层（Conv4_3层）是单独设置的。

和代表的是第一层和最后一层所占的比例，比例的最小值和最大值，在ssd300中为0.2-0.9。

实际上是：对于第一个特征图Conv4_3，其先验框的尺度比例一般设置为 ，故第一层的。输入是300，故conv4_3的min_size=30。对于从第二层开始的特征图，则利用上述公式进行线性增加，然后再乘以图片大小，可以得到各个特征图的尺度为60、111、162、213、264。最后一个特征图conv9_2的size是直接计算的，。 以上计算可得每个特征的min_size和max_size，如下：

具体实现代码：ssd_pascal.py 下图注释中提到的博客：关于SSD默认框产生的详细解读

接下来，补充回答为什么default box的size有两个(1:1)[^9]？

作者在这有引入了一个，也就是每个特征图都设置了两个长宽比为1大小不同的正方形default box。有的小伙伴可能会有疑问，这有了则需要多出来一部分的啊，是的没错，最后一个特征图需要参考来计算，因此每个特征图（的每个cell）都有6个default box（aspect ratios），但是在实现时， Conv4_3，Conv10_2，Conv11_2仅仅使用4个先验框（default box），不使用长宽比为的先验框（default box)。作者的代码中就添加了两层，第一层取0.1，最后一层取1。

那么S怎么用呢？按如下方式计算先验框的宽高（这里的Sk是上面求得的各个特征图的先验框的实际size，不再是尺度比例）：

ar代表的是之前提到的先验框default box（aspect ratios）比例，即

对于先验框default box中心点的值取值为：

其中i，j代表在feature map中的水平和垂直的第几格。

fk代表的是feature map的size。

每个单元的先验框中心点分布在各单元的中心。

（5）计算先验框的大小的方式

下图所示为每个cell生成4个先验框的方法，生成6个先验框的方式类似，只需要增加1:3和3:1两个比例的矩形框即可。

如上图所示，先验框计算方式

2）正负样本的定义

SSD采用的正负样本定义器依然是MaxIoUAssigner，但是由于参数设置不一样，故有了不同的解释。

正负样本定义规则为[^2]：

（1）正样本的生成：

anchor和某个GT的最大iou大于0.5，则认为是正样本。

GT和所有anchor的最大iou值，如果大于0.0，则认为该最大iou anchor是正样本。

（2）负样本的生成：

anchor和所有GT的iou都小于0.5，则认为是负样本。

没有忽略样本，即每个GT一定会和某个anchor匹配上，不可能存在GT没有anchor匹配的情况。

3）正负样本的采样

尽管一个ground truth可以与多个先验框匹配，但是ground truth相对于先验框还是太少了，所以负样本会很多。为保证正负样本尽量均衡，SSD采用了hard negative mining，先将每一个物体位置上对应 predictions（default boxes）是 negative 的 boxes 进行排序，按照先验框的confidence的大小。 选择最高的几个，保证最后 negatives、positives 的比例接近3:1。

4、FPN

论文：Feature Pyramid Networks for Object Detection

下图展示了4种利用特征的形式：（a）图像金字塔，即将图像做成不同的scale，然后不同scale的图像生成对应的不同scale的特征。这种方法的缺点在于增加了时间成本。有些算法会在测试时候采用图像金字塔。（b）像SPPnet，Fast RCNN，Faster RCNN是采用这种方式，即仅采用网络最后一层的特征。（c）像SSD（Single Shot Detector）采用这种多尺度特征融合的方式，没有上采样过程，即从网络不同层抽取不同尺度的特征做预测，这种方式不会增加额外的计算量。作者认为SSD算法中没有用到足够低层的特征（在SSD中，最低层的特征是VGG网络的conv4_3），而在作者看来足够低层的特征对于检测小物体是很有帮助的。（d）本文作者是采用这种方式，顶层特征通过上采样和低层特征做融合，而且每层都是独立预测的。

FPN主要解决的是物体检测中的多尺度问题，通过简单的网络连接改变，在基本不增加原有模型计算量的情况下，大幅度提升了小物体检测的性能。通过高层特征进行上采样和低层特征进行自顶向下的连接，而且每一层都会进行预测。

FPN算法大致结构：一个自底向上的线路，一个自顶向下的线路，横向连接（lateral connection）。下图中放大的区域就是横向连接，这里的卷积核的主要作用是减少卷积核的个数，也就是减少了feature map的个数，并不改变feature map的尺寸大小。

如上图所示，FPN+RPN结构

在横向连接中，采用的卷积核进行连接（减少特征图数量）。将FPN和RPN结合起来，那RPN的输入就会变成多尺度的feature map，那我们就需要在金字塔的每一层后边都接一个RPN head(一个卷积，两个卷积)，如下图所示.其中，P6是通过P5下采样得到的。

1）设置先验框（default boxes）

在生成anchor的时候，因为输入是多尺度特征，就不需要再对每层都使用3种不同尺度的anchor了，所以在每一个scale层，都定义了不同大小的anchor。对于P2，P3，P4，P5，P6这些层，定义anchor的大小为、、、、，另外每个scale层都有3个长宽对比度：1:2，1:1，2:1。所以整个特征金字塔有15种anchor，如上图所示。

anchor的正负样本定义和Faster R-CNN中的定义相同，即如果某个anchor和GT有最大的IoU，或者IoU大于0.7，那这个anchor就是正样本，如果IoU小于0.3，那就是负样本。此外，需要注意的是每层的RPN head都参数共享的。

但是，生成的anchor（注意：此时的anchor已经经历了一轮筛选）如何确定映射到哪一个特征图上呢？这是有公式计算的，如下图：

表示映射到哪一层的作为特征层传入到ROI Pooling层中。是基准值，设置为4。和表示RPN给出的Region Proposal的宽和高。此处的224是在ImageNet上训练时resize的大小。

例如，和都是112，则（值做取整处理），对应P3特征层和Region Proposal传入到ROI Pooling，得到一个尺寸为的特征，再经过flatten之后输入到全连接层。

2）正负样本的定义

如1）所述，正负样本的界定和Faster RCNN差不多：如果某个anchor和一个给定的ground truth有最高的IOU或者和任意一个Ground truth的IOU都大于0.7，则是正样本。如果一个anchor和任意一个ground truth的IOU都小于0.3，则为负样本。

5、FCOS

论文：FCOS: Fully Convolutional One-Stage Object Detection

本文提出一种基于像素级预测一阶全卷积目标检测(FCOS)来解决目标检测问题，类似于语义分割。目前大多数先进的目标检测模型，例如RetinaNet、SSD、YOLOv3、Faster R-CNN都依赖于预先定义的锚框。相比之下，本文提出的FCOS是anchor free，而且也是proposal free，就是不依赖预先定义的锚框或者提议区域。通过去除预先定义的锚框，FCOS完全的避免了关于锚框的复杂运算，例如训练过程中计算重叠度，而且节省了训练过程中的内存占用。更重要的是，本文避免了和锚框有关且对最终检测结果非常敏感的所有超参数。由于后处理只采用非极大值抑制(NMS)，所以本文提出的FCOS比以往基于锚框的一阶检测器具有更加简单的优点[^10]。

FCOS的骨架和neck部分是标准的resnet+FPN结构，和Retinanet完全相同。

我们仅仅考虑head部分。除去center-ness分支，则可以看出和retinanet完全相同。

1）锚框(anchor-based)缺点

超参数设置难度大：检测表现效果对于锚框的尺寸、长宽比、数目非常敏感，因此锚框相关的超参数需要仔细的调节。

anchor的设置缺乏灵活性：锚框的尺寸和长宽比是固定的，因此，检测器在处理形变较大的候选对象时比较困难，尤其是对于小目标。预先定义的锚框还限制了检测器的泛化能力，因为，它们需要针对不同对象大小或长宽比进行设计。

容易产生正负样本不平衡问题：为了提高召回率，需要在图像上放置密集的锚框。而这些锚框大多数属于负样本，这样造成了正负样本之间的不均衡。

计算量大：大量的锚框增加了在计算交并比时计算量和内存占用。

2）正负样本的定义

作为Anchor-free的方法，FCOS直接对feature map中每个位置对应原图的边框都进行回归，如果位置 (x,y) 落入任何真实边框，就认为它是一个正样本，它的类别标记为这个真实边框的类别[^11]。可以理解为他是基于物体的一个key point点进行回归的。在实际的anchor-free中也会遇到一些问题，为了解决这些问题，FCOS做了如下工作：

1）为了解决anchor-free的方式在真实边框重叠带来的模糊性和低召回率（不像anchor-based可以有多重不同尺寸的anchor），FCOS采用类似FPN中的多级检测，就是在不同级别的特征层检测不同尺寸的目标。

2）为了解决距离目标中心较远的位置产生很多低质量的预测边框，FCOS提出了一种简单而有效的策略来抑制这些低质量的预测边界框，而且不引入任何超参数。具体来说，FCOS添加单层分支，与分类分支并行，以预测"Center-ness"，可以这这个理解成为一个度量值，于中心距离的一个度量值，与中心点较远，则度量值较低，与中心点越近，度量值越高，以此来让置信度更高的像素产生更高的贡献。

正负样本匹配方式的实现：

1、分配目标给哪一层预测。 根据目标的尺寸将目标分配到不同的特征层上进行预测。

具体实现：引入了min_size和max_size，具体设置是0, 64, 128, 256, 512和无穷大。例如，对于输出的第一个预测层而言，其stride=8，负责最小尺度的物体，对于该层上面的任何一个点，如果有GT bbox映射到特征图上，满足0 < max(中心点到4条边的距离) < 64，那么该GT bbox就属于第1层负责，其余层也是采用类似原则。

总结来说就是第1层负责预测尺度在0~ 64范围内的GT，第2层负责预测尺度在64~128范围内的GT，以此类推。通过该分配策略就可以将不同大小的GT分配到最合适的预测层进行学习。

2、确定正负样本区域。 对于每一层feature map，设定一个以GT中心为圆心，固定半径的圆，如果像素落在该圆内，则标记为positive样本，否则为negative。

具体实现：通过center_sample_radius**(基于当前stride参数)**参数，确定在半径范围内的样本都属于正样本区域，其余区域作为负样本。默认配置center_sample_radius=1.5。例如，第1层的stride=8，那么在该输出层上，对于任何一个GT，基于GT bbox中心点为起点，在半径为个像素范围内点都属于正样本区域。

3、centerness找到目标的中心点。 为了使靠近GT中心的像素能学到更多的信息，故给予他更高的权重，而离GT中心越远的点，贡献则递减。

具体实现：使得离目标中心越近，输出值越大，反之越小。Center-ness的定义如下公式：

可见最中心的点的centerness为1，距离越远的点，centerness的值越小。在推测的时候直接将中心度分数centerness乘到分类分数上，将偏离很远的检测框分值进行惩罚。

center-ness本质就是对正样本区域按照距离GT bbox中心来设置权重，这是作者的做法，还有很多类似做法，不过有些是在Loss上面做文章，例如在ce loss基础上乘上一个类似预center-ness的权重来实现同样效果。

center-ness效果如下：

3）总结：

FCOS采用物体center的匹配方式来进行回归，在正负样本匹配的时候，采用了top-k的策略进行匹配，并且使用centerness来对不同距离的匹配样本进行不同程度的惩罚，以达到资源倾斜于贡献最佳者的目的。