基础知识 | 目标检测中Anchor的认识及理解

最开始出现的是R-CNN，如下图：

从上图可以看出其框架做了很多重复的计算，在第二步之后，如果有2k个proposals，那后面就要执行2k边，太低效。于是，出现了改进的SSP-Net，如下图：

SSP-Ne框架组合了Classification和Regression，做成单个网络，并且可以Een-to-End进行训练，速度上提高许多。但是，SSP-Net还是基于Selective Search产生proposal，之后就出现了Fast R-CNN，其是融合了R-CNN和SPP-Net的创新，并且引入多任务损失函数，使整个网络的训练和测试变得十分方便。

但是Region proposal的提取还是使用了Selective Search，目标检测时间大多消耗在这上面（大约region proposal需2~3s，而提特征分类只需0.32s），这种是无法满足实时应用，而且并没有实现真正意义上的端到端训练测试（因为region proposal使用了Selective Search先提取处来）。

于是就有了直接使用CNN产生region proposal并对其分类，这就是Faster R-CNN框架，如下图：

Faster R-CNN将proposals交给了CNN去生成，这样Region Proposal Network（RPN）应运而生。

Faster R-CNN

仔细看看Faster R-CNN框架，其实还保留了Fast R-CNN的框架，其主要就是CNN+RPN。其中RPN主要就是负责生成proposals，然后与最后一层的feature map一起使用，用ROI Pooling生成固定长度的feature vector。具体如下：

那接下来开始好好的说一下RPN和Anchor！下图是我从网络copy过来的，应该更加能理解整体的流程及内容。

在上图中，红色的3x3红框是其中一个滑窗的操作过程，注意这里的Anchor是原图像像素空间中的，而不是feature map上的。这样的话，就可以很好去知道Anchor的意思，而且Anchor对于RPN非常重要。

现在，我们假设现在的feature map尺寸为W x H x C（13x13x256就是feature map的Width=13，Height=13和Channel=256），在feature map使用滑动窗口的操作方式，当前滑窗的中心在原像素空间的映射点就称为Anchor，并且以Anchor为中心去生成K（paper中default K=9，3个尺寸和3个缩放比例）个proposals。

在feature map上滑动一次，得到一个小网络，该网络输入是3x3x256，经过3x3x256x256的卷积，就可以得到1x1x256的低维特征向量。

然后就得到上图的两个分支。

• Classification：经过1x1x256x18的卷积核，得到1x1x18的特征向量，分别代表9个proposals的Object的概率（是或不是）；
• Regression：经过1x1x256x36的卷积核，得到1x1x36的特征向量，分别代表9个proposals的（长宽及中心点坐标）。

注意，上面只是一个小网络，也就是一个3x3滑窗的过程及结果，在网络整体运行的过程中，要将整个feature map都要滑动一遍，最终就会得到两个损失函数：

其中就是Classification（Lcls）和Regression（Lreg）两个损失。对于边界框的回归，其是采用以下4个坐标的参数化：

综上，通过滑窗和Anchor机制就可以找到固定比例、一定大小的proposals，这样RPN就可以完美替代低效的Selective Search去产生proposals。

最终，在目标检测领域中，这个框架算是一个里程碑，值得大家学习与深入探索。最后的检测结果也是不错的。