【目标检测】anchor基础知识整理

目标检测算法一般可分为anchor-based、anchor-free、两者融合类，区别就在于有没有利用anchor提取候选目标框。下面我们来具体介绍。

1. Anchor是什么

目标检测是"在哪里有什么"的任务，在这个任务中，目标的类别不确定、数量不确定、位置不确定、尺度不确定，传统非深度学习方法如VJ和DPM，和早期深度学习方法如OverFeat，都要金字塔多尺度+遍历滑窗的方式，逐尺度逐位置判断"这个尺度的这个位置处有没有认识的目标"，非常笨重耗时。

anchor的概念最早出现在FasterRCNN的论文中，首先预设一组不同尺度不同位置的固定参考框，覆盖几乎所有位置和尺度，每个参考框负责检测与其交并比大于阈值 (训练预设值，常用0.5或0.7) 的目标，anchor技术将问题转换为"这个固定参考框中有没有认识的目标，目标框偏离参考框多远"，不再需要多尺度遍历滑窗，极大的提升了速度。同时anchor的存在，也解决不同物体的中心点落到一个grid cell中的问题。

2. 举个栗子🌰

目标检测最简单、最暴力的方法就是“定步长搜索法”。

基本思想

step1 按照网格的生成规律，计算所有生成框的四个点的坐标；
step2 对每个框，判断其中是否包含”猫"；
step3 将包含猫的框的坐标返回，这时候你就得到了最终的结果。

在“网格生成“过程中，每个网格都会有一个自己的中心，每个小格子都可以抽象成为在自己的中心生成了一个指定大小为16个像素的矩形框，在这里，我们把这些中心称之为 “锚点”，把每个锚点处的框称之为 “锚框”。

为了检测小猫，需要在每一个锚点生成一个小框；而为了检测大猫