Anchor Based和Anchor Free之间区别主要有以下两点：1.分类差异（关键正负样本定义）2.回归差异

1.分类差异：
现阶段的算法多尺度预测，即GT是由哪一个特征层和位置Anchor预测。
Anchor Based是由IoU来确定哪层和哪个位置的Anchor来预测，这个的选择是根据图像中目标物体的大小来决定。有个很牛逼名字叫启发式引导。
Anchor Free是Scale Ratio确定GT在哪层，利用Center Sampling确定那些位置是正样本。
在Anchor based的算法中存在的问题：第一个正负样本不均衡，第二个是超参数的引入【每层的Anchor数量、尺度、高宽比】
为什么Anchor数量会多呢？目标位置、以及形状的可能性，导致需要大量的框。框不够就会出现漏检的情况。因为正样本的选择有完全依赖IoU，而与真实物体达到一定置信度的Anchor相对于负样本来说少得可怜，就会导致正负样本不均衡的问题，也就会导致为什么准确率低的原因。
超参数的选择更是玄学中的玄学，技术不高就别玩绝招哦！！！！

基于Anchor Based中：在L1层中由于感受野太大，Anchor太小IoU无法达到所要求的置信度，所以在L1特征层不能确定是否包含目标。在L2中真实物体的中心在中间像素点上，正样本数量则为1.
基于Anchor Free中：L1同上，在L2中有两个Anchor中心点在GT中，因此可以理解为正样本数量为2.因此从这个方面我们也可以理解为什么Anchor Free会好于Anchor Based。

总结一下：
Anchor Based的正负样本的选项方法：计算FPN每层的IoU来确定特征层，然后计算指定特征层位置的IoU确定具体位置。将IoU大于置信度的设置为正样本，小于某个置信值的为负样本，其他删除。
Anchor Free选择依据：空间和比例约束将anchor points分为不同的金字塔等级。首先将groundtruth框内的anchor point视为候选正样本，然后根据为每个金字塔等级定义的比例范围从候选样本中选择最终的正样本，最后那些未选择的锚点为负样本。

2.回归差异：
对于一个正样本而言，Anchor Based回归起始状态是一个Anchor Box如图(b)所示；而Anchor Free起始状态是一个Anchor Point 如图©所示。

大神制作总而言之，还是归结于正负样本的选择。
关于Anchor Free的最新论文与代码如下所示：
论文地址：https://arxiv.org/pdf/1912.02424.pdf
代码地址：https://github.com/sfzhang15/ATSS