论文地址：https://arxiv.org/pdf/1901.03278.pdf
代码地址：https://github.com/open-mmlab/mmdetection
1.Motivation
2.Method
3.Discussion
1.Motivation
由于主流的Region Anchor 目标检测算法（例如：Fast R-CNN、Fater R-CNN和RetinaNet)均有两个主要限制，分别是：1）产生密集的anchors,并在这大量的anchor中选出最佳候选区域，这导致高代价的计算复杂度。2）在训练前，设置scale与aspect ratios的固定值，根据这些值预测anchor的尺度与大小 ，预测值不够精确。于是作者提出根据alignment 与consistent两个基准（第三部分discussion解释），提出了GA-anchor算法。该算法大致可分别两步，首先选取可能包含目标的子区域，接着在这个子区域根据不同定位点定义anchor的形状。实验结果证明比主流的RPN算法收敛速度快，且mAP有了明显提升。
2.Method
图1网络图
（1）Guided Anchor生成过程：
本文基于特征金字塔对每一个特征map进行guided anchoring，将guided anchoring子网络分为NL和Ns分支，NL对每一坐标位置进行概率评估，收集生成的概率信息，根据设定的概率阈值，筛选概率值高于阈值的坐标作为候选目标中心点位置，大大减少了anchor的生成数量。Ns则负责anchor的形状预测。在算法中，anchor的scale和aspect ratios是不固定的，需要在训练过程预测anchor形状，根据不同的中心点位置预测不同形状的anchor，每一个坐标位置，只生成一个anchor，然后选择与ground truth最接近的anchor作为候选区域。Ns输出值为w 和h的增量信息，计算公式如下：
其中参数为8，s为步长。
最后，是自适应特征分支NT生成自适应特征映射，基于Ns分支的预测形状，将其输出结果作为自适应卷积的offset field（偏移量）,然后基于这个偏移量在初始的特征map作deformable卷积，deformable卷积原理图如下：
图2 各种卷积原理图
（2）目标anchor位置坐标：作者为了减少计算量，缩小了location的范围，将初始的特征map根据ground truth覆盖率进行分区，其中CR：center region为目标覆盖率最高区域，定义为正样本区域，IR：ignore region为无关区域，而OR：outside region为目标覆盖率最低，定义为负样本区域。
图3 区域定义图
（3）目标anchor形状生成：基于常用的IOU值计算最优的shape，这里的IOU计算方式有所不同，因为每一个anchor的形状不是固定，因此作者根据每一个定位点，选取9个公共长宽值，然后将这些长宽值与ground truth联系起来计算IOU值，挑选IOU值最大的定义为目标anchor shape。
3.Discussion
（1）算法经过一系列实验验证，在一阶段（single-stage）和两阶段（two-stage）检测算法均有效。文献改变了anchor的传统位置与形状定义方法，免去了滑窗法和预先定值法，加快了anchor的收敛速度，基本在第三次训练（epoch）中就能取得很高的效果值。
（2）在每一个位置点由于不同形状的anchor包含了特征map不同的视觉内容，因此制定自适应特征，基于anchor的形状所覆盖的特征内容生成子特征图F'i(图1)。
（3）实验结果显示，对比location和shape预测效果，anchor shape 的提升值更高，也就是说shape对实验结果的影响较大。
（4）作者所说的alignment，也就是对齐性，指的是feature 的位置与anchor的位置对齐，这个在location预测中实现；另外一个consistent（一致性），指的是anchor shape与feature shape保持一致，这里体现在特征shape的预测过程，而 feature adaptive就是根据一致性实现的。