AABO: Adaptive Anchor Box Optimization for Object Detection via Bayesian Sub-sampling

论文链接：https://arxiv.org/abs/2007.09336

目前，主流的目标检测算法使用多种形状的anchor box作为初始预测，然后对anchor box进行回归调整，anchor box的配置是检测算法中十分重要的超参数。一般而言，anchor box的配置都是简单地通过人为指定，比如Faster R-CNN经典的的9种形状，也可以像YOLO一样通过k-means对数据集进行分析，得出特定的配置。

为了人工设置超参数的环节，近年来很多关于超参数优化问题(HPO, hyper-parameter optimization)的研究，最有效的方法为贝叶斯优化(BO)和bandit-based策略。在分析了当前方法的优劣后，论文提出一种自适应的anchor box优化方法AABO，该方法基于贝叶斯优化和Sub-Sample方法，能够自动切高效地搜索到最优的anchor设置，榨干主流目标检测算法的潜力。

论文提出超参数优化方法AABO，该方法核心基于贝叶斯优化和Sub-Sample方法，能够自适应的搜索最优的anchor设置。从实验结果来看，AABO能够仅通过anchor设置优化，为SOTA目标检测方法带来1.4%～2.4%的性能提升。

内容中包含的图片若涉及版权问题，请及时与我们联系删除