论文题目：Region Proposal by Guided Anchoring
arXiv: https://arxiv.org/abs/1901.03278
参考文章:https://zhuanlan.zhihu.com/p/55854246
简单介绍
这篇论文主要是对RPN存在的缺点的改进，说是改进也不准确，因为两者的方法是有很大区别的，但他们做的工作时相同的，都是为了得到候选区域。。
本篇论文提出来一种新的方法，不需要使用预先设定的anchor box
论文介绍
RPN的缺点
（1）anchor 的尺度和长宽比需要预先定义，这是一个对性能影响比较大的超参，而且对于不同数据集和方法需要单独调整。如果尺度和长宽比设置不合适，可能会导致 recall 不够高，或者 anchor 过多影响分类性能和速度；
（2）大部分的 anchor 都分布在背景区域，对 proposal 或者检测不会有任何正面作用；
（3）预先定义好的 anchor 形状不一定能满足极端大小或者长宽比悬殊的物体。
GA-RPN
这是模型的总体结构，主要的关注点是在右侧guided anchoring这个部分，这也这篇论文的精华所在。
中心点预测
在拿到feature map 之后，传统方法就开始进行滑动窗口，把每个像素点都当做中心产生候选区域，前边已经说过这种方法的缺点，大量背景也产生了大量无效的候选区，如何避免这个问题呢？
我们需要有针对行的把一些像素点当做中心就可以了，具体怎么做呢，就是上图的NL部分，通过对feature map进行1×1的卷积，然后对卷积后的值进行sigmoid，就得到了一个概率图（probability map），而概率图中每个点的值代表这个点为目标中心点的概率，然后设定一个阈值，大于某个概率即说明这个点很有可能作为某个目标的中心点，接下来以这个点为中心，针对性的产生候选框即可，从而避免了滑动窗口的缺点。
那么如何学习（训练）到这样一个模型呢？
论文将整个 feature map 的区域分为物体中心区域，外围区域和忽略区域，大概思路就是将 ground truth 框的中心一小块对应在 feature map 上的区域标为物体中心区域，在训练的时候作为正样本（target = 1），其余区域按照离中心的距离标为忽略或者负样本（target = 0），这样，有了目标值，训练即可，论文使用Focal loss来训练这个分支。
这样我们就得到了一个产生中心点概率图的模型NL，接下来要在中心点上产生边框（确定w和h的值）
形状预测
形状预测模型为上图中的Ns部分，具体是采用1×1的卷积核，产生一个双通道的feature map，但直接预测w和h不好预测，你所以转而预测dw和dh，之后经过公式转换得到w和h，公式如下：
拿如何训练这个预测模型呢？
训练过程最重要的是要找到w和h的目标值，对于以前常规的 anchor，w和h是事先规定好的，我们可以直接计算它和所有 ground truth 的 IoU，然后将它分配给 IoU 最大的那个 gt，gt的w和h即为目标值。但是很不幸现在的 anchor 的 w 和 h 是不确定的，是一个需要预测的变量，该怎么办呢？sample anchor。
论文将这个 anchor 和某个 gt 的 IoU 表示为：
我们不可能真的把所有可能的 w 和 h 遍历一遍然后求 IoU 的最大值，所以采用了近似的方法，也就是 sample 一些可能的 w 和 h。理论上 sample 得越多，近似效果越好，但出于效率的考虑，所以 sample 了常见的 9 组 w 和 h。
形状预测损失函数：
这样Ns位置预测分支也准备好了可以画框了。
可以看到，anchor 基本都集中在有目标的区域，确实产生了不错的效果。
Feature Adaption 模块
但是我们发现一个不合理的地方，大家都是同一层 conv 的特征，凭啥我就可以比别人优秀一些，代表一个又长又大的 anchor，你就只能代表一个小小的 anchor。
不合理的原因一方面在于，在同一层 conv 的不同位置，feature 的 receiptive field 是相同的，在原来的 RPN 里面，大家都表示相同形状的 anchor，所以相安无事，但是现在每个 anchor 都有自己独特的形状大小，和 feature 就不是特别好地 match。另一方面，对原本的特征图来说，它并不知道形状预测分支预测的 anchor 形状，但是接下来的分类和回归却是基于预测出的 anchor 来做的，可能会比较懵逼。
我们增加了一个 Feature Adaption 模块来解决这种问题，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）
通过这样的操作，达到了让 feature 的有效范围和 anchor 形状更加接近的目的，同一个 conv 的不同位置也可以代表不同形状大小的 anchor 了。