目标检测中长出现的anchor，表示固定的参考框。

anchor技术：
将问题转换为“这个参考框中有没有认识的目标，目标偏离参考框多远”
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

计算每个像素256-d的9个尺度下的值，得到9个anchor，
我们给每个anchor分配一个二进制的标签（前景背景）。
我们分配正标签前景给两类anchor：
1）与某个ground truth（GT）包围盒有最高的IoU重叠的anchor（也许不到0.7）
2）与任意GT包围盒有大于0.7的IoU交叠的anchor。注意到一个GT包围盒可能分配正标签给多个anchor。
我们**分配负标签（背景）**给与所有GT包围盒的IoU比率都低于0.3的anchor。
非正非负的anchor对训练目标没有任何作用，由此输出维度为（2*9）18，一共18维。

假设在conv5 feature map中每个点上有k个anchor（默认k=9），而每个anhcor要分foreground和background，
所以每个点由256-d feature转化为cls=2k scores；而每个anchor都有[x, y, w, h]对应4个偏移量，所以reg=4k coordinates

补充，全部anchors拿去训练太多了，训练程序会在合适的anchors中随机选取128个postive anchors+128个negative anchors进行训练。

Anchor设计总结
设计目标检测算法时，anchor设置应该考虑一下几个方面 (以RetinaNet为例)：

（1）anchor的密度：由检测所用feature map的stride决定，这个值与前景阈值密切相关，如同样检测{32}尺度，FPN阈值0.7用P2，RetinaNet前景阈值0.5用P3。

（2）anchor的范围：RetinaNet中是anchor范围是32~512，这里应根据任务检测目标的范围确定，按需调整anchor范围，或目标变化范围太大如MS COCO，这时候应采用多尺度测试，当然，实际应用中需考虑多尺度测试的复杂度问题。

（3）anchor的形状数量：RetinaNet每个位置预测三尺度三比例共9个形状的anchor，这样可以增加anchor的密度，但stride决定这些形状都是同样的滑窗步进，需考虑步进会不会太大，如RetinaNet框架前景阈值是0.5时，一般anchor大小是stride的4倍左右。

（4）检测层Pn的数量：RetinaNet中是P3~P7共5个检测层，如需检测更小的目标，可以考虑加入P2检测层。

（5）检测层Pn的感受野：前面计算了RetinaNet中是ResNet+FPN的感受野在检测中、大目标时都是够用的，检测小目标时略显疲乏，kaiming最新论文《Rethinking ImageNet Pre-training》既然告诉我们预训练模型没那么重要时，那检测任务就可以着重考虑按照感受野的需求设计ConvNet。
总之，要做到anchor以足够密度实现全覆盖。

参考：https://zhuanlan.zhihu.com/p/55824651