深度学习之anchor机制

anchor机制由Faster-RCNN提出，而后成为主流目标检测器的标配，例如SSD、Yolov2、RetinaNet等等。

为了解决：分而治之（将scale和aspect ratio空间划分为几个子空间，降低问题难度，降低模型学习难度）和解决gt（ground truth） box与gt box之间overlap过大导致gt box丢失问题。三个方法：

• pyramids of images：耗时，（DenseBox，MTCNN）
• pyramids of features：传统CV的做法（FCOS、FoveaBox）
• anchor：（Faster-RCNN、Yolov2）

SSD、RetinaNet、Yolov3糅合了anchor机制和pyramids of features机制。

anchor

anchor free

anchor free和anchor based方法各有优劣。例如，anchor free的前提是基于图像金字塔或者特征金字塔这个前提，但是无论哪种金字塔都会增加计算，降低检测速度，而anchor机制可以减少金字塔层数，进而提高检测速度。

ACN（Anchor Cascade for Efficient Face Detection）（2018）结合了pyramids of images和anchor机制，从而在速度和效果上取得了一个不错的折中。