DenseBox：思想超前的早期Anchor-free研究 | CVPR 2015
DenseBox檢測演算法的設計十分超前，如今很多Anchor-free方法有其影子，如果當時不是比Faster R-CNN晚了一點出現，可能目標檢測領域很早就開始往Anchor-free的方向發展了
來源：曉飛的演算法工程筆記 公眾號
論文: DenseBox: Unifying Landmark Localization withEnd to End Object Detection
Introduction
DenseBox是早期的Anchor-free目標檢測演算法，當時R-CNN系列在小物體的檢測上有明顯的瓶頸，所以作者提出DenseBox，在小物體的檢測也有不錯的表現。在DenseBox提出的早些時間，著名的Faster R-CNN出現了，其強大的性能主導了目標檢測演算法往anchor-based的方向發展。直到FPN的出現後，Anchor-free演算法的性能才有了很大的提升，更多的工作開始涉及Anchor-free領域。目前很多Anchor-free目標檢測研究都有DenseBox的影子，所以DenseBox的設計思路還是很超前的。
DenseBox for Detection
DenseBox的整體設計如圖1所示，單個卷積網路同時輸出多個預測框及其類別置信度，輸出的特徵圖大小為$5\times \frac{m}{4}\times \frac{n}{4}。假設像素i位於(x_i, y_i)，其期望的5維向量為\hat{t}_i={\hat{s}, \hat{dx^t}=x_i - x_t, \hat{dy^t}=y_i - y_t, \hat{dx^b}=x_i - x_b, \hat{dy^b}=y_i - y_b }$，第一個為分類置信度，後四個為像素位置到目標邊界的距離，最後，將所有像素的輸出轉化為預測框，經過NMS處理後進行最後的輸出。
Ground Truth Generation
DenseBox在訓練時沒有將完整的圖片作為輸入，而是截取包含目標以及足夠背景的較大區域進行訓練。在訓練時，將截取的圖片resize大$240\times 240，保證人臉位於截取區域的中心以及高度大約50像素，輸出$5\times 60\times 60的特徵圖。正樣本區域是目標中心點半徑為r_c內的圓，r_c與目標的大小相關，論文設置為0.3。如果截取的區域包含多個人臉，僅保留中心點在截取區域中心0.8到1.25範圍內的人臉，其它均認為是負樣本。
Model Design
DenseBox的網路結構如圖3所示，包含16個卷積層，前12個卷積層由VGG19初始化，網路也添加了一些不同層之間的特徵融合，可以綜合不同感受域的特徵。
Multi-Task Training
網路同時進行分類和位置預測，網路由兩個任務共同學習，分類任務的損失值直接通過L2損失計算：
位置預測任務的損失值也通過L2損失計算：
由於論文採用了截取圖片的方式進行訓練，就會面臨樣本製作的問題，而DenseBox在正負樣本製作以及學習上面做了一些工作：
- Ignoring Gray Zone，灰色區域是處於正負點之間的過渡區域，不參與損失值的計算。對於一個非正樣本點，如果其半徑為2的範圍記憶體在正樣本點，則歸入灰色區域。
- Hard Negative Mining，在訓練過程中，根據公式1將樣本排序，取top 1%作為hard-negative，能夠幫助網路重點學習這些難樣本。
- Loss with Mask，根據像素點的類型定義特徵圖的掩膜M(\hat{t}_i)，並結合公式1、公式2以及掩膜輸出最終的損失值：
除了上面的幾點，為了更好地挖掘負樣本的作用，論文也通過隨機裁剪訓練集以生成足夠的隨機負樣本。在訓練時，正樣本圖片和隨機負樣本圖片以1:1比例輸入網路。此外，為了增強網路的魯棒性，進行了一些數據增強：
- 隨機抖動每個截取的圖片
- 左右翻轉
- 水平移動25像素內
- 隨機縮放[0.8, 1.25]
Landmark Localization
基於上面的設計，DenseBox也可用於標記點定位，僅需要在原有的基礎上添加一些層用於預測標記即可。論文還發現，可通過融合標記點分支和分類分支進一步調整檢測結果，具體做法如圖4所示，調整輸出的損失函數跟分類損失一樣採用L2函數。此時，完整的網路損失變為：
Experiments
人臉關鍵點上的性能對比。
車輛關鍵點檢測任務上的性能對比。
Conclusion
DenseBox檢測演算法的設計十分超前，如今很多Anchor-free方法有其影子，如果當時不是比Faster R-CNN晚了一點出現，可能目標檢測領域很早就開始往Anchor-free的方向發展了。
如果本文對你有幫助，麻煩點個贊或在看唄～
更多內容請關注 微信公眾號【曉飛的演算法工程筆記】
