什么是Anchor：
       首先我们需要知道anchor的思想是什么，近似SPP(spatial pyramid pooling)思想的逆向。而SPP本身是做什么的呢，就是将不同尺寸的输入resize成为相同尺寸的输出。所以SPP的逆向就是，将相同尺寸的输出，倒推得到不同尺寸的输入。其次明确anchor的位置。anchor是在原图上的区域，而不是在特征图上（也就是特征图上一个点可以对应到原图上一个n*n的区域）。然后放一张RPN网络解析图：

SPPnet机制：将CNN的输入从固定尺寸改进为任意尺寸，例如在CNN结构中，输入图像的尺寸往往固定的（如224x224像素），输出可看做固定维数的向量． SPPNet在普通的CNN结构中加入了ROI池化层（ROI Pooling）使得网络输入图像可以为任意size,而保证了输出维度是固定的向量．
Anchor的意义：
        Faster r-cnn 之所以使用anchor，在我看来，无非两点：容易使模型快速收敛，容易找到目标大小和对应的feature map．anchor本身并不会参与到网络的运算中去，影响的只会是classification和bbox regression分支的target（训练阶段）和怎样decode box（测试阶段）
       （１）：若是不使用anchor，boundingbox 回归的范围就会比较大，这样会导致计算的loss的范围跳动变大，从而影像训练的难度．也会对于不同的大小目标的精度有倾斜性，增大网络的偏好，目标预测会有不确定性．
       （２）：有了 anchor，就可以把不同尺寸的目标分配到对应的 anchor 上，这样对应 anchor 的网络权值就仅仅负责一个比较小的目标尺寸范围（我一或几个值，就能代表原图上的一个区域），同时学习过程中，是显式的通过不同的分支、路径来传递不同尺寸目标的 loss，让网络更加符合“逻辑”的得到训练。
Anchor的思考：
       目标在那个anchor是简单粗暴的，按照谁的IOU大就归谁的方法划分．而且 anchor 本身的尺寸、比例也是人工指定的，虽然与不同level的featuremap有一定的关系，但并没有和网络结构的设计有良好的耦合（虽然 anchor 可以通过数据集的聚类来获得，但是这也只是单方面的与数据集有了耦合），实际中往往一个目标适合两个或多个anchor，是不是可以用一种更加平滑的方法来加权，而非简单粗暴的0-1选择．