目标检测-锚框（先验框）

 在众多经典的目标检测模型中，均有先验框的说法，有的paper(如Faster RCNN)中称之为anchor(锚点)，有的paper(如SSD)称之为prior bounding box(先验框)，实际上是一个概念。

接下来需要介绍3个概念：

• 设置不同尺度的先验框
• 先验框与特征图的对应
• 先验框类别信息的确定

设置不同尺度的先验框

SSD 算法在先验框匹配上，采用了两个原则：

• 对于图像中每一个 ground truth 找到与其 IOU 最大的的先验框， 该先验框为正样本， 若一个先验框没有与任何的 ground truth 匹配，则为负样本。
• 对于剩下的未匹配的先验框，若与某个 ground truth 的 IOU 大于某个阈值（一般取0.5），则该先验框也与 ground truth 匹配

通常，为了覆盖更多可能的情况，在图中的同一个位置，我们会设置几个不同尺度的先验框。这里所说的不同尺度，不单单指大小，还有长宽比，如下面的示意图所示：

可以看到，通过设置不同的尺度的先验框，就有更高的概率出现对于目标物体有良好匹配度的先验框（体现为高IoU）。

先验框与特征图的对应

除了不同尺度，我们肯定要将先验框铺洒在图片中不同位置上面。

但是遍历原图每个像素，设置的先验框就太多了，完全没必要。如图3-13所示。一个224x224的图片，假设每个位置设置3个不同尺寸的先验框，那么就有224x224x3=150528个，但是如果我们不去遍历原图，而是去遍历原图下采样得到的feature map呢？以vgg16的backbone为例，下采样了5次，得到7x7的featu