Anchor-free應(yīng)用一覽：目標檢測、實例分割、多目標跟蹤

來源｜https://zhuanlan.zhihu.com/p/163266388編輯｜極士平臺從去年5月開始，我一直對Anchor-free工作保持著一定的關(guān)注。本次借組內(nèi)的paper reading分享的契機，整理了與Anchor free相關(guān)的一些工作。一方面是分享近期在目標檢測領(lǐng)域中一些工作，另一方面，和大家一起梳理一下非?；馃岬木W(wǎng)絡(luò)模型CenterNet、FCOS，當我們把他們遷移到分割、多目標追蹤等其他任務(wù)上時，大佬們是如何去設(shè)計的。

首先我們要回答為什么要有 anchor？在前幾年，物體檢測問題通常都被建模成對一些候選區(qū)域進行分類和回歸的問題。在單階段檢測器中，這些候選區(qū)域就是通過滑窗方式產(chǎn)生的 anchor；在兩階段檢測器中，候選區(qū)域是 RPN 生成的 proposal，但是 RPN 本身仍然是對滑窗方式產(chǎn)生的 anchor 進行分類和回歸。
這里我列出的幾種anchor-free 方法，是通過另外一種手段來解決檢測問題的。CornetNet通過預測成對的關(guān)鍵點（左上角與右下角）來表征目標框；CenterNet和FCOS通過預測物體中心點及其到邊框的距離來表征目標框；ExtremeNet是通過檢測物體四個極值點，將四個極值點構(gòu)成一個物體檢測框；AutoAssign也是近期的一篇論文，提出一種在anchor free檢測器上，正負樣本標簽的新的分配策略；Point-Set是近期ECCV 2020的一個工作，提出來一個更加泛化的point-based的anchor表示形式，統(tǒng)一了目標檢測、實例分割、姿態(tài)估計的三個大任務(wù)，后面我們會進一步展開。首先我們來簡單回顧一下FCOS的網(wǎng)絡(luò)架構(gòu)，其中C3, C4, C5表示骨干網(wǎng)絡(luò)的特征圖，P3到P7是用于最終預測的特征級別。這五層的特征圖后分別會跟上一個head，head中包括了三個分支，分別用于分類、中心點置信度、回歸的預測。整體的架構(gòu)非常簡潔，有很多人通過修改FCOS的輸出分支，用于解決實例分割、關(guān)鍵點檢測、目標追蹤等其他任務(wù)。下邊我列出來原作者在更新論文版本時，做出的三點細節(jié)上的調(diào)整，一是使用了新的中心點采樣的方式，在判斷正負樣本時，考慮了不同階段的步長值，去調(diào)整了正樣本所處框的大小。而非像FCOS v1中，直接判斷其是否落在gt bbox里。這種新的center sampling方式，使得難判別的樣本減少，是否使用center-ness branch造成的精度區(qū)別也減小了。二是將回歸的loss換成了GIoU loss。三是FCOS v2 的不同特征層在回歸參數(shù)的時候，使用了不同的reg范圍（除以了stride）。（而在FCOS v1中，是用過乘以一個可以學習的參數(shù)，該參數(shù)在FCOS v2有保留，但重要性減小。）為了提升fcos的效果，特別考慮到一些不穩(wěn)定環(huán)境，由于傳感器噪聲或不完整的數(shù)據(jù)，目標探測器需要考慮定位預測的置信度，有人提出加入一個預測bbox的不確定度的分支。這里的不確定度是通過預測bbox的四個offset的分布得到的。這里假設(shè)每一個示例都是獨立的，用多元高斯分布的輸出與協(xié)方差矩陣的對角矩陣去表征每一個bbox的offset。在FCOS的分類、中心點、回歸的三個loss上，新增了一個衡量bbox offset的不確定度的loss。下邊我們來具體看一下他的實現(xiàn)方式。這里的box offsets我們用 (l, r, t, b) 來表示，  是網(wǎng)絡(luò)的可學習的參數(shù)，B的維度是4，μ 是bbox的偏置，計算得到的多元高斯分布，  是之前提到的協(xié)方差矩陣的對角矩陣，帶入網(wǎng)絡(luò)設(shè)計的衡量bbox offset的不確定度的loss，我們可以著重關(guān)注紅色線左邊的這一項，當預測出的 μ 與真實的bbox的高斯分布  相差很大時，網(wǎng)絡(luò)會傾向于得到一個很大的標準差  ，也就是說這個時候的不確定度是很大的。當然它后邊還有一個類似正則化的約束  ，去限制不要過大。對比FCOS，同樣使用ResNet-50的框架，它在coco數(shù)據(jù)集上AP能提升0.8個點。對比兩個loss，其回歸情況也是更好的。
下面我們來看看，《Point-Set Anchors for Object Detection, Instance Segmentation and Pose Estimation》這個point-based的網(wǎng)絡(luò)，是如何使用回歸的思路去統(tǒng)一Object Detection, Instance Segmentation，Pose Estimation三個大任務(wù)的。作者稱這是統(tǒng)一這三大任務(wù)的第一人。作者認為，在object detection領(lǐng)域，無論是若干個IOU大于一定閾值的anchor表示正樣本，還是用物體的中心點來表示正樣本。不論是anchor based或者anchor-free based的方法，對于正樣本在原圖的定位，都是基于回歸的形式直接回歸矩形坐標，或者是矩形長寬+矩形中心點offset。Anchor從某種程度上來說，表示的只是一種先驗信息，anchor可以是中心點，也可以是矩形，同時它還可以提供更多的模型設(shè)計思路，如正負樣本的分配，分類、回歸特征的選擇。所有作者的思路是，能不能提出更加泛化的anchor，泛化的應(yīng)用于更多的任務(wù)中，而不只是目標檢測中，并給出一個更好的先驗信息。對于Instance Segmentation和Object Detection，使用最左邊的Anchor，其有兩個部分：一個中心點和n個有序錨點，在每個圖像位置，我們會改變邊界框的比例和長寬比來形成一些anchor，這里和anchor-based的方法一樣，涉及到一些超參數(shù)的設(shè)置。對姿態(tài)估計中的anchor，使用訓練集中最常見的姿態(tài)。Object Detection的回歸任務(wù)比較簡單，用中心點或者左上/右下角點回歸即可。對于Instance Segmentation來說，作者使用了特定的匹配準則去匹配右圖中綠色的Point-set anchor中的anchor points和黃色的gt實例的points，并且轉(zhuǎn)換為回歸任務(wù)。右邊的三個圖分別是將綠色與黃色的點，最近的相連；將綠色的點與最近的邊緣相連；最右側(cè)中時作者優(yōu)化后的方式，對角點采用最近點的方法，根據(jù)角點得到的最近四個點將gt的輪廓劃分成4個區(qū)域。將上邊界與下邊界上綠色的點，做垂線對應(yīng)到有效的gt point（若不在區(qū)域內(nèi)，則無效，例如圖中的綠色空心點）。總的來說，Point-set用它提出的新的anchor的設(shè)計方式代替?zhèn)鹘y(tǒng)的矩形anchor，并在頭部附加一個并行的回歸分支用于實例分割或姿態(tài)估計。圖中展示了它的網(wǎng)絡(luò)架構(gòu)，和retinanet一樣，作者使用了不同尺度的特征層，head包含了用于分類、分割姿態(tài)的回歸、檢測框的回歸的子網(wǎng)絡(luò)。每一個子網(wǎng)絡(luò)都包含了四個3乘3的、stride為1的卷積層，只在姿態(tài)估計任務(wù)上使用的FAM模塊，和一個輸出層。下邊的表格中，列出的是輸出層的維度，分別對應(yīng)了三個任務(wù)。其損失函數(shù)非常簡單，對分類使用focal loss，對回歸任務(wù)使用L1 loss。除了目標歸一化和將先驗知識嵌入anchor的形狀之外，作者也提到了我們?nèi)绾芜M一步用anchor去聚合特征，以保證特征變換不變性、并拓展到多階段學習當中。（1）我們將可變卷積中的可學習偏移量替換為point-based anchor中點的位置。（2）由于人體形狀的這個回歸，是相對檢測更加困難的。一方面是由于它對特征的提取要求非常大，另一方面是不同的關(guān)鍵點之間存在差異。所以作者提出，可以直接使用第一階段的姿態(tài)預測作為第二階段的anchor（分類、掩?；蛭蛔嘶貧w、邊界盒回歸），使用額外的細化階段進行姿態(tài)估計。

它們都參考了FCOS的做法，將目標檢測中anchor-free的思想，遷移到了實例分割的任務(wù)上。網(wǎng)絡(luò)的具體細節(jié)不會展開講，這里只會說到他們在解決實例分割任務(wù)時，在FCOS的整體架構(gòu)上做了哪一些調(diào)整。
首先講到的是CenterMask，把這個放在最前面是因為他的想法非常直接，這個結(jié)構(gòu)可以理解成 FCOS + MaskRCNN 的 mask的分支。我們可以將它和FCOS做一下對比，輸入圖像通過 FCOS 得到目標框，這一部分是一樣的。之后類似 MaskRCNN，用 ROIAlign 把對應(yīng)的區(qū)域 crop 出來，resize 到 14 x14 ，最后經(jīng)過 mask branch 計算 loss。想法非常簡單。第二篇是EmbedMask，在保證近似精度的基礎(chǔ)上，它的最快速度可以達到MaskRCNN的三倍。它采取了one-stage方法，相當于直接使用語義分割得到分割結(jié)果之后，在使用聚類或者一些手段將同一個實例的整合到一起，得到最終實例的分割結(jié)果。整個網(wǎng)絡(luò)的結(jié)構(gòu)如上圖所示，還是一個FPN的結(jié)構(gòu)，在分辨率最大的特征曾P3使用pixel的embedding，將每個pixel都embedding成一個D長度的向量，因此最后得到的是H_W_D的特征圖。然后依次對每個特征圖P3、P4、P5、P6、P7使用proposal head，也就是傳統(tǒng)的目標檢測的head，再其中的改進就是，對于每個proposal也都embedding成一個D長度的向量。使用一個margin來定義兩個embedding之間的關(guān)聯(lián)程度，如果小于這個embedding，就認為這個pixel和這個proposal是同一個instance。但是呢，文中提出使用一個人為定義的margin，會導致一些問題，因此呢，本文就提出了一個learnable margin，讓網(wǎng)絡(luò)自動學習每個proposal的margin，就如結(jié)果圖中所示的proposal margin那條路徑。對比FCOS，EmbedMask加入了圖中藍色的模塊。雖然EmbedMask和CenterMask等工作都是基于一階段的檢測算法，來做實例分割，但是它的核心要點，其實并沒有變，都是基于一個足夠好的detector來從proposal里面生成mask。事實證明這非常有效，基于一個足夠好的detector的實例分割方法不僅僅有利于找到更多的mask，同時這些mask的生成反過來會提升detector本身的效果。所以你可以看到這兩個實例分割的box AP都要比FCOS要高，當然這也是必然。第三篇是PolarMask，它也是基于FCOS，把實例分割統(tǒng)一到了FCN的框架下。PolarMask提出了一種新的instance segmentation建模方式，在將極坐標的360度等分成36分，通過預測這36個方向上，邊緣到極坐標中心的距離，從而得到物體的輪廓。

這里主要對比了兩篇基于CenterNet的擴展出的工作。首先簡單介紹一下MOT（Multi-Object Tracking）的任務(wù)，它需要對視頻中的每一幀進行物體檢測，并對每一個物體賦予一個id，去追蹤這個目標。
CenterTrack是CenterNet的原作者做的工作，在將目標檢測任務(wù)擴展到多目標檢測上時，作者通過追蹤物體的中心點，來解決追蹤問題。多目標檢測任務(wù)有兩個關(guān)鍵，一是我們需要把每一幀當中的物體檢測出來，這里包括了遮擋物體；二是我們需要在時間維度上，對物體做id的匹配。下邊這張圖中的紅色區(qū)域是為了解決Track任務(wù)時，輸入了t時刻的圖像  、t-1時刻的圖像  以及在t-1時刻的檢測出的所有物體  ，這里的紅色區(qū)域是不同于目標檢測任務(wù)的，新增了四個通道（其中三個通道是圖像的輸入、還有一個通道的計算會在后邊展開）。
在輸出部分，網(wǎng)絡(luò)除了輸出檢測的中心峰值點的heatmap與預測長寬的特征圖之外，網(wǎng)絡(luò)還輸出了一個2通道的offset，這里的offset表示的是兩幀之間，物體的移動距離。左邊是網(wǎng)絡(luò)的輸入，右邊是網(wǎng)絡(luò)的輸出。在數(shù)學上的表示I 為的是圖像輸入、T中的b表示的是bbox，右邊分別是檢測的中心峰值點、長寬的特征圖、物體移動的偏移量。以上是在網(wǎng)絡(luò)訓練時，其對應(yīng)中心峰值點、長寬的特征圖、物體移動的偏移量的三個損失函數(shù)的具體表現(xiàn)形式。在解決中心點預測的任務(wù)是，這里采用的是focal loss，x、y表示了點在heatmap上的位置，c是類別。Y是屬于0，1的峰值圖，  是渲染了高斯形狀的凸起的峰值，對每一個位置，如果它在某個類別數(shù)存在中心點，在對應(yīng)的channel上就會形成一個峰，我們對每個位置取出最大的坡高。其中p表示中心點，q為位置。我們得到這些最大坡高之后，放到1個通道的heatmap中，做為網(wǎng)絡(luò)輸入的一部分。和上一幀的三通道的圖片，就組成了前面說的，在解決tracking任務(wù)時，新增的4個channel的輸入。對長寬和偏移量的損失計算，用的就是簡單的L1 loss。有了足夠好的偏移量預測，網(wǎng)絡(luò)就可以去關(guān)聯(lián)前一時刻的目標。對于每個檢測位置p，我們將它與之前最近的物體賦予同一個id，如果在一個半徑κ中，沒有前一個時刻的目標，我們就生成一個新的追蹤。FairMOT也是基于CenterNet的工作，和CenterTrack是同期的。與CenterTrack引入目標框在前后幀中的移動距離偏置不同，它借鑒了重識別的想法，在檢測的分支上，加入了一個Re-ID的分支，它將目標的id識別的embedding作為分類任務(wù)。在訓練時，所有訓練集中具有相同id的所有對象實例都被視為一個類。通過給特征圖上的每一個點，附上一個128維的Embedding向量，最后將這個向量映射到每一個類的分數(shù)p(k)。其中k是類別數(shù)（即出現(xiàn)過的id），  是gt的one-hot的編碼，最后用softmax 計算loss。2020-7-24更新：可能有人會對這里的embedding映射到分類的做法，提出一些質(zhì)疑，當在后續(xù)幀中出現(xiàn)大量新的人的時候，F(xiàn)airMot能給這些新的人賦予一正確的新id嗎？作者在解決這個問題的時候，在訓練的時候采用的是分類loss，測試階段采取用cos距離做判斷。并且，當reid不可靠的時候，就用bbox IOU來匹配。具體地，對 reid embedding沒匹配上bbox，用IOU得到前一幀中可能的追蹤框，計算他們之間的相似度矩陣，最后用匈牙利算法得到最后的結(jié)果。最后附上在本次學習梳理的過程中，讓我受益的一些技術(shù)文鏈接：陀飛輪：目標檢測：Anchor-Free時代FY.Wei：利用Point-set Anchor統(tǒng)一物體檢測，實例分割，以及人體姿態(tài)估計陳愷：物體檢測的輪回：anchor-based 與 anchor-free https://zhuanlan.zhihu.com/p/62372897

本文僅做學術(shù)分享，如有侵權(quán)，請聯(lián)系刪文。