AttentionNet 详解

AttentionNet: Aggregating Weak Directions for Accurate Object Detection

论文链接

---

  在调整 Bounding Box 的位置时，大多数算法使用的都是以回归类型的损失，直接优化最后的 Bounding Box 的坐标值。通过这种方法得到的坐标值准确性可能不会很高。我们可以仔细思考动物的视觉锁定一个目标的过程，首先大体看一张图片，对于要找到的物体，我们会有一个大致的方位。然后注意力会向那个物体的大致方向转移，直到锁定目标。
  AttentionNet 就可以理解为模仿动物视觉的这样一个过程。它是通过不断迭代的方法直到找到最后的 Bounding Box。同时 AttentionNet 也是一个一体的对象检测网络，它不需要分离任何的模型进行单独的训练。

图 1：AttentionNet 的过程

  我们来看图 1，对于这些图片，我们大致能锁定其中人的位置，将 Bounding Box 的左上角和右下角初始化为图像的左上角和右下角，然后 Bounding Box 的左上角和右下角同时向人位置的大体方位进行迭代，迭代到一定的次数，Bounding Box 会在人的位置附近收敛。停止调整其自身位置。此过程就是 AttentionNet 进行迭代定位的过程。不过对于单独的 AttentionNet 只能实现单目标的检测。要想实现多目标的检测，请看如下章节的介绍。

  这种通过迭代检测物体的方式，将物体的存在性判断与边界框的优化，集成到了一个卷积神经网络当中。将边界框的回归问题转化为物体大体方向的分类问题。其过程模仿了人类和动物定位物体的过程。换一个角度思考，也可以理解为多个模型的集成。对于定位的最终目标，需要多个步骤来预测。其中每次定位的方向都是模糊的方向。但是对于多次预测来说，多个方向的集合足以预测一个准确的位置。

一、Attention Net

---

  我们将输入图像 warp 成固定大小。输入 AttentionNet。记 Bounding Box 的左上角坐标为 TL，右下角坐标为 BR。
那么对于左上角坐标（TL）有 5 种情况：

1. 向右移动（$\to$）
2. 向下移动（$\downarrow$）
3. 向右下角移动（$\searrow$）
4. 不移动（$\bullet$）
5. 不是对象（F）

同理对于右下角坐标（BR）也有 5 种情况：

1. 向左移动（$\leftarrow$）
2. 向上移动（$\uparrow$）
3. 向左上角移动（$\nwarrow$）
4. 不移动（$\bullet$）
5. 不是对象（F）
   .

  将图像输入 AttentionNet 后会得到左上角和右下角分别移动的方向。我们记每次移动的距离为超参数 $l$，默认的 $l=30(pixel)$，迭代的最大次数为 50，防止发散。重复迭代过程，直到图像的两个角的预测值都为 F 或都为 $\bullet$ 时停止迭代。如果两个角的预测值都为 F 时，图像将以没有实例停止迭代。如果两个角的预测值都为 $\bullet$ 时，此时的图像的边界即为最后 Bounding Box 的边界。

  记停止迭代的边界框为 b，输出的 feature map 为 $Y_{TL},Y_{BR}\in {\mathbb{R}}^5$，检测的分数为 $S^b$，其中 S