一、简介
这些年已经有不少基于深度学习的目标检测的文章了，从最开始的Anchor based 到后来的 Anchor Free。但是解读这篇文章，主要是由于他的出发点比较新颖---Free Anchor。
虽然叫Free Anchor，但是依然是Anchor based的方法，只不过他打破了一直以来的Anchor分配机制。
二、回顾Anchor分配机制
上图是来自于SSD的分析，对于不同尺度大小的feature map，每个pixel都会负责预测k个框，这个k就是预先设置好的Anchor数量，图中的虚线框也就是anchor。
以前，在进行对于所有预测出来的结果box，进行loss计算的时候，会将anchor+偏移=结构box，与groundtruth进行比对，这个比对的过程就是利用IoU，只要预测框与目标物体的框IoU达到了一定阈值，那么这个框就算是正样本，当然如果一个anchor与多个目标物体都达到了阈值怎么办？直接选IoU最大的就好了！
其他的都是负样本～～～，当然训练过程中会设置正负样本的比例，因为通常负样本会很多！
这个方式，看似非常的合理，并且一直沿用至今，实际应用中也是非常有效的！但是这个方式毕竟也是经验式的！
大家可以看下面这例子：
看完这两张图，想必大家不说也懂我想说什么了！！！！！嗯～～～～，词穷～～～～！因为现实世界中很多的目标物体，并不是规则，比如月亮，他们是偏心的！这也就导致了越是中心的点的feature 越是背景！无法代表这个目标，红色框与绿色框虽然IoU很高，如果按照传统方式判定为正样本！显然不好！
三、回到文章中来
在文章中，把传统的Anchor分配方式称之为“IoU restriction”！文章对于传统方式给出了两方面的评价：1、并不是所有的目标物体都是规则的，很多时候物体是偏心的，瘦长的！或者说物体会被遮挡，比如图像中猫挡住了笔记本电脑，导致了笔记本电脑属于偏心的目标！2、On the other hand, it is infeasible to match proper anchors/features for objects using IoU when multiple objects come together.我感觉这句话有点重复吧，总之就是说传统的方式不灵活！毕竟对于不灵活，不智能的点进行优化，基本上都能提升效果！
文章提出了自己的方法，并且把这个方式和损失函数联系起来，从而可以优化！和损失函数联系起来的方式叫“极大似然估计”，添加上负号和log，就得到了可以最小化的损失！
上图中，上半部分是传统的anchor分配方式，基于这种方式无论这个pixel位置是否包含了“有效特征”，只要IoU达到了就是正样本！在计算损失函数的时候，就比必须带上它！这个时候，基本上我们也就发现问题了：引入了基于背景特征的正样本！强行让背景信息预测！
这个公式就是传统的训练损失，A是anchor的集合，A_代表饿了没有配上正样本的那些，因此就是负样本。B代表了label中的目标全体，Cij则是0，1值，用于表示第i个目标和第j个anchor配上了。分类用BCE损失，回归用SoomthL1.
在本文中，利用极大似然的想法来建立损失函数：因此上面的损失函数就可以转换为如下公式：
四、文章核心
上面的公式中，“类别”和“回归”这两部分是分开计算的！本文的以思想就是，一个pixel位置是否能够预测box，应该具有两个特点：“能够拥有高的分类置信度” 以及 “框的IoU也高”。
引入这两个公式，对应了常会用到的：召回率 与 精度，两个指标。对于召回率而言，需要为每个目标都能提供至少一个anchor，并且基于这个anchor的两类特性都应该接近对应的label。对于精度而言，“classify the anchors of poor localization into the background class”
这个部分代表了，第j个anchor与所有的目标b都没有配对上的概率，这个概率的计算来自以上的计算方式，1-能配上的最大概率。当然，想要在网络模型中计算，就要建立一些公式来实现：
到这里，也就基本上知道这个网络需要优化的目标函数的计算方式了：
五、最最最核心部分到了
损失函数，需要把极大似然换成最小化的形式。
那么如果只是简单的使用max来完成，Free Anchor，显然大家会觉得有点敷衍！！！而且效果肯定也不太行，原因如下：训练初期，所有的anchor置信度都很低，那么这个时候选一个max的？有没有意义？（我觉得这应该也是可以的，现实一种随机，或者平均？有没有大佬说一说？）
处于上面这个原因，作者提出了一种替代直接使用max的方法：
这个函数，一开始会是一种平均策略，随着训练的加深，anchor们的，置信度开始出现差异，最终是一个max。因此进一步优化后的损失函数如下，加入了两个权重和focal loss：
Ai怎么来的呢？就是对于bi这个目标，利用IoU，从anchor们中选择top n个，就形成了一个A i 子集。文中原话如下：
六、效果对比
