【每日一网】Day13：AZNet详解

AZNet

算法背景

传统的目标检测的方法需要假设一组与目标类别无关region proposal，然后输入检测器，检测器再给每个proposal进行分类，region proposal的作用就是通过限制需要由探测器评估的区域的数量来降低复杂性。然而，随着最近引入的能够共享卷积特征点技术，传统的region proposal算法比如selective search和EdgeBox算法成为检测pipeline的瓶颈。

算法思想

AZNet利用了自适应的搜索策略，算法不是先确定一组anchor，而是从整张图像开始，然后递归的将图像划分为子区域，直到确定的给定区域不太可能包含任何小对象为止，（见figure2）：
被分配的区域充当预测附近物体边界框的anchor的任务，算法的一个显著特征是，通过特定区域的特征提取来决定是否进一步划分这个区域，因此，anchor的生成情况取决于图像的内容，对于只有一个小目标的图像，大部分区域在搜索前期就被修剪，只留下附近的几个区域。而对于包含大目标的图像，本文算法将会自适应的退回到大anchor的现有方法，下图为本文算法与RPN网络的对比：

给定一个输入的anchor，AZNet会输出一个标量缩放指示器，该指示器用于决定是否进行进一步缩放（划分）该区域和一组带有置信度的包围框，或邻接预测。随后高置信度的邻接预测被用做region proposal。

算法设计

自适应搜索

论文的目标检测算法大体分为两个步骤
1、使用AZNet自适应搜索生成一组与类别无关的region proposal（见算法1）
2、使用目标检测器评估第一步中的每个region proposal，本文中使用的是fast RCNN

本文重点改进的是第一步，作者考虑了一种递归搜索的策略，从整个图像开始，对搜索过程中的所有区域，利用算法提取该区域的特征，计算缩放指标和邻接预测，如果缩放指示器高于阈值，则表明当前区域可能含有小目标，因此为了检测这些嵌入的小目标，将当前区域划分为子区域，如图二所示，然后每个子区域以其父区域相同的方式进行递归处理，直到其面积或者缩放指示器小到一定程度，图1说明了这个过程。

缩放模块设计

只有当存在至少一个对象，目标的大部分都在此区域内，并且目标的大小与该区域比足够小的时候，缩放指示器才应该对该区域进行放大。同理，当一个目标比当前区域大时，就应该处理他的父区域。但是在这种情况下，进一步划分区域不仅浪费计算资源，而且在region proposal中引入假阳性，下图展示了缩放指示器常见的情况和期望的情况：

绿色方框是目标，红色框是region proposal，左图：目标很小，但是目标的大部分在region proposal外，所以不需要放大；中间图：目标大部分在内部，但是目标的大小相对于该区域是很大的，所以不需要缩放；右图：有一个小物体完全在区域内，在这种情况下，region的进一步划分大大增加了发现该目标的机会。
邻接预测的作用是通过提供紧密的包围框来检测一个或者多个与anchor充分重叠的目标。邻接预测的设计应该明确的考了区域内的物体的几何形状，这样训练才具有一致性。因此，我们计划利用一组子anchor进行预测，如图4，注意我们还将anchor本身作为一个额外的prior

训练

作者训练了一个深度神经网络，如图所示：

注意：除了图4所示的子区域anchor外，作者还添加了region本身作为一个特殊的anchor，每个anchor总共做出11个邻接预测，对于卷积层，作者使用imageNet数据训练的VGG16模型，全链接层在region pooling层之上，该层允许共享卷积层的特征。
训练分为两步：
1、从图像中采集一组region，样本应该包含缩放指示器和邻接预测的正样本和反样本
2、将样本和标签用SGD进行训练

loss函数

如图5所示。AZNet有三个输出层，缩放指示器用一个sigmoid激活函数输出，为了训练缩放指示器，论文使用了交叉熵损失函数常用的二分类。对于邻接预测，边界框参数化为Fast Rcnn，不同于fast-rcnn，为了提供来自于任何区域的多个预测，置信度分数没有归一化到概率向量，相应的，作者使用平滑的L1 loss来作为边界框输出，使用元素交叉熵损失作为置信值输出。这三种损失相加形成一个多任务损失函数。