FoveaBox：目标检测新纪元，无Anchor时代来临！
目标检测的任务是“分类”并从图像中“定位”出物体，但长久以来，该领域的工作大多是这样：生成可能包含目标的区域，然后在该区域提取特征并分类。
显然，人眼并不是这样工作的。
人眼可以直接定位出物体，也就是对人眼来说发现目标的过程，定位和分类是一体的。
现代深度学习的方法，代表性的包括二阶段的Faster R-CNN和一阶段的SSD、RetinaNet等，使用在特定尺度图像中预先定义大量的目标框（Anchors）的方法，降低了计算量。但这也带来了超参数增加、人为调参过拟合评测数据集、前后景目标类别不平衡等问题。
但很有意思的是，近半年来，尤其以CornerNet的出现为代表，越来越多的工作开始尝试摆脱Anchors的设计，52CV曾报道过：
ECCV18 Oral | CornerNet目标检测开启预测“边界框”到预测“点对”的新思路
CVPR 2019 行人检测新思路：高级语义特征检测取得精度新突破
CV君相信，无Anchor的目标检测已经悄然成为该领域的重要发展方向。
今天跟大家分享的FoveaBox则是该方向最新的成果（昨天刚刚传到arXiv），针对的是通用目标检测领域，算法方案简单，结果达到state-of-the-art，代码亦将开源，方便后续其他学者跟进，发展空间极大。
深度神经网络可以自己回归出目标包围框，Anchor并非必要，目标检测“可能”要就此进入新纪元了！
下面是论文《FoveaBox: Beyond Anchor-based Object Detector》的作者信息：
作者分类来自清华大学、北京国家信息科技研究中心、字节跳动AI实验室、宾夕法尼亚大学。
感谢～
下图为无Anchor的FoveaBox算法与RetinaNet在COCO数据集上的结果比较，RetinaNet通过改变anchors个数，精度有变化，但FoveaBox更胜一筹。
算法思想
FoveaBox的动机来自人眼的中央凹：视野中心（物体）具有最高的视力。
（物体的位置信息能够从中心反应出来——CV君的理解）
下图展示了FoveaBox目标检测的基本思想，对于可能存在目标的每个输出空间位置，FoveaBox直接预测所有目标类别存在的置信度和边界框。
FoveaBox是在RetinaNet目标检测网络基础上做的改进，我们先来看看RetinaNet的网络架构。
如下图，RetinaNet利用了特征金字塔网络检测目标，对于金字塔的每一层，都后接class + box 子网络。最右侧上半部分为class子网络，下半部分为box子网络。
下图是FoveaBox网络的改进，class 子网络计算的是每个输出位置分别存在不同类别目标的置信度，box子网络则是直接计算每个输出位置的与类别无关的目标包围框（左上和右下顶点坐标）。
在论文第三部分从骨干网、训练时目标的尺度分配、训练时目标位置信息内陷、box 预测、网络优化和推断等详细说明了训练和推断的细节。
实验结果
作者首先研究了，FoveaBox算法与RetinaNet在变化anchor密度、目标宽高比后的精度结果，如下图（a）（b），FoveaBox比RetinaNet的最好结果还好。
因为FoveaBox具有自己生成候选目标区域的能力，作者将其与RPN网络相比较，下图（c），发现其生成的目标候选框比RPN的质量更高！
下面表格展示了，FoveaBox与目前两阶段和一阶段state-of-the-art目标检测算法在COCO数据集上检测结果比较，FoveaBox取得了几乎最好的结果，仅三个指标略低于Cascade R-CNN，但作者称许多高级目标检测技巧，FoveaBox还没有使用，后续还有提高的潜力。
下图为FoveaBox与RetinaNet的检测结果示例，可见在宽高比变化较大的目标上，FoveaBox取得了更好的结果。
论文地址：
https://arxiv.org/pdf/1904.03797v1.pdf
作者称代码将开源，还未公布地址。
加群交流