从Densebox到Dubox：更快、性能更优、更易部署的anchor-free目标检测

最近 Anchor-free (no-prior box)的概念又重新火热起来，anchor-free的概念从2015年densebox, yolov1开始出现，但一开始性能并不是很好，后来基于anchor(prior box)的概念的检测算法如faster rcnn, ssd性能有很大的提升，于是目标检测从此走进anchor时代，但是最近anchor-free的文章出现很多，目标检测发现不使用anchor依然可以达到较好的效果。今天要介绍的Dubox和Densebox都是由百度提出的无先验框的一阶段目标检测算法。

《DuBox: No-Prior Box Objection Detection via Residual Dual Scale Detectors》

arXiv: https://arxiv.org/abs/1904.06883

github: None

作者团队：百度

注：2019年04月17日刚出炉的paper

引言：

传统的神经目标检测方法使用多尺度特征，让多个检测器独立并行地在多个分支执行检测任务。同时，加入先验框（prior box）提高了算法处理尺度不变性的能力。然而，过多的先验框和多个检测器会增加检测算法的计算冗余度。这篇论文介绍了一种新的一步检测方法Dubox，它可以在没有先验框的情况下检测物体。设计的双尺度残差单元具有多尺度特性，使双尺度检测器不再独立运行。高层检测器学习低层检测器的餐叉。Dubox增强了启发式引导的能力，进一步使第一尺度探测器能够最大限度地检测小目标，第二尺度探测器能够检测第一尺度探测器无法识别的目标。此外，对于每一个比例探测器，采用新的classification-regression strap loss,使检测过程不基于先验框。结合这些策略，检测算法在速度和精度方面取得了优异的性能。通过对VOC、COCO目标检测基准的大量实验，证实了该算法的有效性。

标签和loss设计：

首先对于标签的设计：

文章定义了在物体框内

为正样本，其他为负样本。

熟悉densebox的同学都知道，这种设计和densebox相似，densebox更像分割类算法，对物体的中心范围进行回归+分类，因为物体内的范围都是正样本，其其他范围为负样本，为了克服正负样本波动性所以在正样本周围加上了一圈ignore范围，从而防止梯度的波动。Dubox没有使用固定的ignore范围，而是在loss设计时候是有iou gate unit自动的学习ignore范围。

既只有回归框和真值框达到0.5的重合时分类才在该点产生loss，从而达到自动学习ignore范围的作用。用公式表达就可以写成：

其中

Dubox框架设计：

Dubox的另一大创新是不再多个分支上独立并行的使用多个检测器，而是将检测器减少到了两个：

在这种设计中高层的检测器去检测底层检测器无法检测到的物体，从而最大化检测性能，

同时论文中为了减少两个检测器之间的检测冗余，设计了诸多减少冗余策略，使两个检测器之间的检测冗余最小，但整体达到了最优性能。

这种设计带来的好处有以下几点：

1. 基于分割的检测使底层检测效果明显高于yolo等算法。这源自于其基于分割的思想。

2. 第二个分支去检测第一个分支的残差，使独立运行变成了协同运作。

3. 整个网络的设计只使用简单的基本操作，这让其在部署中有非常大的优势。

4. 最后一个核心的可能只有经历过硬件部署的同学才能体会到，那就是更加优秀的int8部署。在部署gpu硬件上一般使用int8加速，但是使用一个分支进行int8进行量化时，有非常大的损失，这种损失可以看作，回归范围被强制映射到256个值，损失是在所难免的。而dubox的设计将两个分支进行分成无冗余的两个分支，两个分支分别进行int8量化产生的损失非常小甚至几乎没有。

实验：

最终的实验结果，论文各个部件的消融实验：

在voc上的速度和性能，达到了82.89的map, 其320x320版本达到了79.31map 和高达50fps的速度。

在coco上的性能：

总结：

Dubox整体上属于densebox的强化版，进一步加强了其在硬件上的友好性，达到了速度和性能上的最优表现。使用int8量化后的速度会有更大的提升，相对的精度会损失很少，虽然论文中没有提到，这使dubox的设计更加适用于工程实践。