目标检测中anchor的优缺点

目标检测中自从RPN 被提出来以后，anchor-based 的方法便成了物体检测模型的主流。这种方法在特征图的每一个像素点预设几个不同尺度和纵横比的 bounding box，称之为 anchor。之后对每一个 anchor 进行分类，并对正类的 anchor 进行回归（位置及大小调整）。之后的 SSD，YOLO 等 single-stage 方法也是基于 anchor 进行检测。
anchor 的引入带来了很多优点：
1）很大程度上减少了计算量，并将 proposal 数量放到可控范围内以便后面的计算和筛选。
2）通过调整不同的 anchor 设置覆盖尽可能多的物体，也可针对不同任务设置不同的 anchor 尺度范围。
3）由于 anchor 的尺度是人工定义的，物体的定位是通过 anchor 的回归来实现，仅仅计算偏移量而不是物体的位置大大降低了优化难度。

anchor 的设置也有着它自身的缺点:
1）在 Faster RCNN 以后的很多论文中我们不难发现，单纯通过使用更多不同大小和纵横比的 anchor 以及更多的训练技巧就可以达到更好的效果，然而这种通过增加算力而改进网络的方法很难落实到实际的应用中（模型速度和大小）。
2）anchor 的设定需要人为设定大量的参数，且离散的 anchor 尺度设定会导致一些物体无法很好的匹配到 anchor，从而导致遗漏。