簡言之就是基於深度學習目標檢測中提前預設的一組不同尺度不同位置的固定參考框。這個anchor在faster rcnn上面也叫reference boxes，也就是參考框。
1.傳統目標檢測：
金字塔多尺度+遍歷滑窗的方式，逐尺度逐位置判斷"這個尺度的這個位置處有沒有認識的目標"，非常笨重耗時。
2.基於深度學習的目標檢測：
覆蓋幾乎所有位置和尺度，每個參考框負責檢測與其交並比大於閾值 (訓練預設值，常用0.5或0.7) 的目標，anchor技術將問題轉換為"這個固定參考框中有沒有認識的目標，目標框偏離參考框多遠"，不再需要多尺度遍歷滑窗，真正實現了又好又快，如在faster r-cnn和ssd兩大主流目標檢測框架及擴充套件演算法中anchor都是重要部分。
batch normalization(簡稱bn)中的batch就是批量資料，即每一次優化時的樣本數目，通常bn網路層用在卷積層後，用於重新調整資料分布（有三）
使用bn的好處：（龍龍）
1.收斂速度變快（converge faster）（不再處於sigmoid的飽和區，梯度資訊更大，更易搜尋到最優解）
2.更穩定（對於超引數調整沒那麼敏感，如相比於不用bn時，減少微調lr就出現梯度瀰散或**現象）
深度學習目標檢測
流程狂徒如下 1 使用selective search提取proposes，然後利用cnn等識別技術進行分類。2 使用識別庫進行預訓練，而後用檢測庫調優引數。3 使用svm代替了cnn網路中最後的softmax，同時用cnn輸出的4096維向量進行bounding box回歸。4 流程前兩個步驟 候...
深度學習（六） 目標檢測
多個目標 思路 區域性識別問題 優點生成候選位置 擴充套件 過程 優點 缺點 候選位置提醋和方法 候選框進行svm分類 fine tune分類模型 特徵提取 單獨目標探測器訓練 資料集 評估方法 iou 優點 缺點 特徵一致化max pooling 位置 類別 聯合學習 速度快了精度提公升不多 怎麼...
深度學習 目標檢測理論筆記
主要內容來自於對 專知深度學習 高君宇 教學資料的梳理筆記 和 來自網際網路知識的輔助理解，感謝。目標檢測就是在一張中找到所有的物體並且給出其類別和邊框 bounding box 如圖。早期的目標檢測有很多模型，典型的有基於部件的模型 dpm pedro f在2010年提出來的利用hog對多精度下的...