论文：Region Proposal by Guided Anchoring 阅读笔记

一、论文

(19)Region Proposal by Guided Anchoring

https://arxiv.org/abs/1901.03278

二、论文笔记

1、背景

（1）、原本的anchors 生成不够高效

（2）、不同的问题需要预先定义不同的锚，但是anchor定义的不合适的话，可能会影响结

（3）、为了维持极高的召回率，需要定义很多的anchor ,这会带来很大的计算开销

（4）、anchor free 的方案由于缺少anchor 以及对阶段的优化处理对处理复杂场景的问题能力有限

（5）、之前的ROI Pooling ROI Align的方法，bbox的坐标值是预测出来的，所以它有可能不是在像素的整数的位置上，因此bbox 和它应该有的特征可能有错位。

2、创新点

（1）、创新来源，通过观察发现物体的尺度和图像的内容很有关系。分为两步，先在图像里面确定可能包含的物体的小区域，然后决定不同位置的物体（anchor）的形状

（2）、在FPN的每一个输出后面做了一个Guided anchoring model 包含两个分支，location prediction branch：一个用来预测该位置是否包含物体的中心，shape prediction branch：一个用来预测物体的形状。

（3）、anchor-guided feature adaptation：根据feature map上每个位置的特征值，以及前面生成的形状来产生该位置的特征值，作为新的feature map

增加了一个 Feature Adaption 模块来解决这种问题。思路很简单，就是把 anchor 的形状信息直接融入到特征图中，这样新得到的特征图就可以去适应每个位置 anchor 的形状。我们利用一个 3x3 的 deformable convolution 来修正原始的特征图，而 deformable convolution 的 offset 是通过 anchor 的 w 和 h 经过一个 1x1 conv 得到的。（此处应该划重点，如果是像正常的 deformable convolution 一样，用特征图来预测 offset，则提升有限，因为没有起到根据 anchor 形状来 adapt 的效果）

 

3、细节

（1）、Anchor location targets：

卷积之后跟随sigmod激活函数

损失Focal Loss

Anchor shape targets:

bounded iou loss

 

（2）、

使用GA-RPN 因为高质量的proposal 较多，所以需要设置更大的正负样本阈值，用更少的样本来end to end来训练模型

4、实验

（1）、

（2）、

5、疑问

（1）、anchor shape target的 形成过程那里看的还不是太懂。