一、簡介
這些年已經有不少基於深度學習的目標檢測的文章了，從最開始的Anchor based 到後來的 Anchor Free。但是解讀這篇文章，主要是由於他的出發點比較新穎---Free Anchor。
雖然叫Free Anchor，但是依然是Anchor based的方法，只不過他打破了一直以來的Anchor分配機制。
二、回顧Anchor分配機制
上圖是來自於SSD的分析，對於不同尺度大小的feature map，每個pixel都會負責預測k個框，這個k就是預先設置好的Anchor數量，圖中的虛線框也就是anchor。
以前，在進行對於所有預測出來的結果box，進行loss計算的時候，會將anchor+偏移=結構box，與groundtruth進行比對，這個比對的過程就是利用IoU，只要預測框與目標物體的框IoU達到了一定閾值，那麼這個框就算是正樣本，當然如果一個anchor與多個目標物體都達到了閾值怎麼辦？直接選IoU最大的就好了！
其他的都是負樣本～～～，當然訓練過程中會設置正負樣本的比例，因爲通常負樣本會很多！
這個方式，看似非常的合理，並且一直沿用至今，實際應用中也是非常有效的！但是這個方式畢竟也是經驗式的！
大家可以看下面這例子：
看完這兩張圖，想必大家不說也懂我想說什麼了！！！！！嗯～～～～，詞窮～～～～！因爲現實世界中很多的目標物體，並不是規則，比如月亮，他們是偏心的！這也就導致了越是中心的點的feature 越是背景！無法代表這個目標，紅色框與綠色框雖然IoU很高，如果按照傳統方式判定爲正樣本！顯然不好！
三、回到文章中來
在文章中，把傳統的Anchor分配方式稱之爲“IoU restriction”！文章對於傳統方式給出了兩方面的評價：1、並不是所有的目標物體都是規則的，很多時候物體是偏心的，瘦長的！或者說物體會被遮擋，比如圖像中貓擋住了筆記本電腦，導致了筆記本電腦屬於偏心的目標！2、On the other hand, it is infeasible to match proper anchors/features for objects using IoU when multiple objects come together.我感覺這句話有點重複吧，總之就是說傳統的方式不靈活！畢竟對於不靈活，不智能的點進行優化，基本上都能提升效果！
文章提出了自己的方法，並且把這個方式和損失函數聯繫起來，從而可以優化！和損失函數聯繫起來的方式叫“極大似然估計”，添加上負號和log，就得到了可以最小化的損失！
上圖中，上半部分是傳統的anchor分配方式，基於這種方式無論這個pixel位置是否包含了“有效特徵”，只要IoU達到了就是正樣本！在計算損失函數的時候，就比必須帶上它！這個時候，基本上我們也就發現問題了：引入了基於背景特徵的正樣本！強行讓背景信息預測！
這個公式就是傳統的訓練損失，A是anchor的集合，A_代表餓了沒有配上正樣本的那些，因此就是負樣本。B代表了label中的目標全體，Cij則是0，1值，用於表示第i個目標和第j個anchor配上了。分類用BCE損失，迴歸用SoomthL1.
在本文中，利用極大似然的想法來建立損失函數：因此上面的損失函數就可以轉換爲如下公式：
四、文章核心
上面的公式中，“類別”和“迴歸”這兩部分是分開計算的！本文的以思想就是，一個pixel位置是否能夠預測box，應該具有兩個特點：“能夠擁有高的分類置信度” 以及 “框的IoU也高”。
引入這兩個公式，對應了常會用到的：召回率 與 精度，兩個指標。對於召回率而言，需要爲每個目標都能提供至少一個anchor，並且基於這個anchor的兩類特性都應該接近對應的label。對於精度而言，“classify the anchors of poor localization into the background class”
這個部分代表了，第j個anchor與所有的目標b都沒有配對上的概率，這個概率的計算來自以上的計算方式，1-能配上的最大概率。當然，想要在網絡模型中計算，就要建立一些公式來實現：
到這裏，也就基本上知道這個網絡需要優化的目標函數的計算方式了：
五、最最最核心部分到了
損失函數，需要把極大似然換成最小化的形式。
那麼如果只是簡單的使用max來完成，Free Anchor，顯然大家會覺得有點敷衍！！！而且效果肯定也不太行，原因如下：訓練初期，所有的anchor置信度都很低，那麼這個時候選一個max的？有沒有意義？（我覺得這應該也是可以的，現實一種隨機，或者平均？有沒有大佬說一說？）
處於上面這個原因，作者提出了一種替代直接使用max的方法：
這個函數，一開始會是一種平均策略，隨着訓練的加深，anchor們的，置信度開始出現差異，最終是一個max。因此進一步優化後的損失函數如下，加入了兩個權重和focal loss：
Ai怎麼來的呢？就是對於bi這個目標，利用IoU，從anchor們中選擇top n個，就形成了一個A i 子集。文中原話如下：
六、效果對比
