目录
1. Anchor-based的缺点
锚框设计的好坏一定程度上决定了检测算法的性能上限。
1）Anchor-based的检测性能对anchor box的大小、纵横比和数量非常敏感，也就是说要小心调参。而设计锚框用到了众多的超参数，这带来了调参困难、使用起来不够简便等问题。
锚框设计有三个超参数：
- 锚框的关联层：选择哪些特征层作为关联锚框的检测层
- 锚框的大小：每个检测层上关联锚框的尺度大小
- 锚框的比例：每个检测层上关联锚框的长宽比例
锚框设计好后，训练过程中需要对锚框进行匹配，划分正负样本。锚框匹配有两个超参数：
- 选取正样本的IoU阈值：大于等于该IoU阈值的锚框是正样本
- 选取负样本的IoU阈值：小于等于该IoU阈值的锚框是负样本
2）即使经过小心调参，由于anchor box的尺寸固定，导致其普适性大打折扣。对于不同的任务以及形变较大的目标（待检测的物体类别、场景、尺度、比例不同），可能都需要人为地根据经验对锚框超参数进行设计和调节，经验不足的新手很难达到较好的应用效果。且在应用基于锚框的检测算法时，最耗时的地方就在于锚框超参数的调整。
3）anchor-based类算法为了得到尽可能高的召回率，需要很多anchor box防止漏检。但因为大部分的anchor box都为负类，这会导致比较严重的类别不平衡。
4）由于anchor box的打标签策略为比较IOU大小，这导致了此类方法计算比较复杂。
2. Anchor-free的缺点
Anchor-based有缺点，Anchor-free当然也有不足。而这些不足大多是Anchor-based的优点。
1）box的召回率不足。由于很多Anchor-free只在距离gt box中心较近的位置预测，导致回归box质量一般。比如YOLOV1。
2）对于重叠目标的检测效果一般。比如DenseBox系列。
参考链接：