anchor的檢測器大致分爲：anchor_based、anchor_free。
anchor-based類算法代表是fasterRCNN、SSD、YoloV2/V3等。
anchor-free類算法代表是CornerNet、ExtremeNet、CenterNet、FCOS， YoloV1等。
有一篇論文指出anchor_based和anchor-free方法的本質區別，就是如何定義正負樣本。
論文是ATSS（自適應訓練的樣本選擇）：
- 論文地址：
- github地址：
1. anchor_based
目標檢測一般都是採用anchor_based的方法，大致可以分爲單階段檢測器和雙階段檢測器。它們都是在一張圖片上放置大量的預先定義好的 anchor boxes，然後預測其類別，優化這些anchor boxes的座標，最終將這些優化後的 anchor boxes作爲檢測結果輸出。由於雙階段方法需要優化的 anchors 的數量是單階段方法的好幾倍，前者的準確率要高一些，而後者的計算效率要高一些。在常用的檢測基準上，SOTA的方法一般都是anchor_based 的。
雙階段方法。Faster R-CNN 的出現確立了雙階段、anchor-based 檢測器的主導地位。Faster R-CNN 由一個 RPN 網絡和一個 region-wise 的預測網絡（R-CNN）組成，然後預測目標。之後，人們又提出了許多的算法來提升其表現，包括結構重新設計、注意力機制、多尺度訓練、訓練策略和損失函數、特徵融合和增強、候選框平衡等。目前在標準的檢測基準上，SOTA的結果仍然被雙階段anchor-based方法統治。
單階段檢測器。隨着SSD的出現，由於其計算效率高，單階段檢測器吸引了很多人的關注。SSD 在卷積網絡的多尺度上展開 anchor boxes，直接預測物體的類別和 anchor box 偏移量。隨後，人們又從多個方面進行大量的工作來提升其性能，如不同層之間上下文信息融合、從零開始訓練、引入新的損失函數、anchor優化與匹配、結構重設計、特徵增強和對齊等。現在，單階段 anchor-based 方法已經可以取得與雙階段 anchor-based 方法類似的性能，而速度要更快。
2. anchor_free
由於FPN和 Focal Loss 的出現，最近學術領域又開始關注在 anchor-free 檢測器上。Anchor-free 檢測器以兩種不同的方式來直接找到物體，無需預先定義 anchors。一種方式是首先定位到多個預定義或自學習的關鍵點，然後約束物體的空間範圍。作者稱這種 anchor-free 方法爲 keypoint-based 方法。另一種就是利用中心點或中心目標區域來定義正樣本，然後預測它到目標四個邊的距離。這類 anchor-free 方法被稱作爲 center-based 方法。這些 anchor-free 方法降低了有關anchor的超參數，取得的效果與 anchor-based 方法類似，使它們更具泛化潛能。
基於關鍵點的方法：這類 anchor-free 方法首先定位到預先定義或自學習的關鍵點，然後生成邊框來檢測物體。CornerNet 通過一對關鍵點（左上角和右下角）來檢測物體的邊框，CornerNet-Lite 引入了 CornerNet-Saccade 和 CornerNet-Squeeze 來提升其速度。Grid R-CNN 的第二個階段利用FCN的位置敏感的優點來預測網格點，然後再判斷邊框、定位物體。ExtremeNet 檢測物體的4個點（最上面、最左面、最下面、最右面）以及一箇中心點來生成物體的邊框。Zhu 等人利用關鍵點估計來找到物體的中心點，然後迴歸出其他的屬性，包括大小、三維位置、朝向、姿態等。CenterNet 擴展了CornerNet，通過三個點而不是兩個點來提升精度和召回率。RepPoints 將物體表示爲一個樣本點的集合，通過約束物體的空間範圍、強調語義重要的局部區域來學習。
Center-based methods：這類方法將物體的中心區域（中心點或區域）看作爲前景，定義正樣本，然後預測它到物體四個邊的距離。YOLO 將圖像分割爲S×S個網格，如果物體的中心點落在了某網格內，該網格就要負責檢測該目標物體。DenseBox 利用物體中心位置的圓圈區域來定義正樣本，然後預測該圓圈到物體邊界的四個距離。GA-RPN 將物體中心區域的像素點定義爲正樣本，爲 Faster R-CNN 預測物體候選框的位置、寬度和高度。FSAF 在 RetinaNet 之上加了一個 anchor-free 的分支和在線特徵選取機制，這個分支將物體的中心區域定義爲正樣本，利用它到物體的四個邊的距離來定位它。FCOS 將物體邊框內的所有位置都定義爲正樣本，然後通過4個距離值和1個 centerness 分數來檢測物體。CSP 只將物體的中心點定義爲正樣本，通過固定的 aspect ratio 來檢測行人。FoveaBox 將物體的中間部分位置定義爲正樣本，每個位置有4個距離來進行檢測。