錨框

錨框是在看影像之前就先做出的猜測——一個事先定義、具有選定尺寸與形狀、放置在格點位置上的矩形，偵測器會把它微調成真正的預測。與其要求網路無中生有地變出一個框（這是困難且無約束的回歸），我們遞給它一份起始矩形的菜單，只要求「把這一個推一推使它吻合，並告訴我裡面有沒有物件」。錨框把開放式搜尋轉化為許多微小而容易的修正。

在特徵圖的每一個空間格點上，偵測器都會鋪設好幾個在尺度（小、中、大）與長寬比（高、方、寬）上各異的錨框，因為物件形狀千變萬化。典型設定是 3 種尺度 × 3 種長寬比 = 每格 9 個錨框；攤到整張特徵圖上，這會產生數以萬計、密集覆蓋影像的錨框。接著每個錨框負責預測：(a) 一個物件性／類別分數，以及 (b) 四個把錨框扭成緊貼框的偏移量。

訓練時，每個錨框依其與真實框透過 IoU 重疊得多好而被分配標籤：重疊度高（例如 IoU ≥ 0.7）的錨框成為綁定特定物件的正樣本，重疊度低（例如 IoU < 0.3）的成為負樣本（背景），介於兩者之間的則被忽略，以免送出令人困惑的梯度。正樣本還會得到一個回歸目標——把錨框移到其物件上的偏移量。這就是「標籤分配」，其規則悄悄地決定了偵測器準確度的一大部分。

錨框很強大，但帶入了必須大致符合你資料的超參數：尺度與長寬比、IoU 門檻、以及錨框如何分散到各個特徵圖層級。選得不好——例如資料集裡滿是行人，你卻沒有高瘦的錨框——召回率就會崩潰。這種脆弱性，正是後來的無錨框偵測器（FCOS、CenterNet）與集合預測方法（DETR）所要消除的對象。