深度学习的目标检测算法，通常会在输入图像中采样大量的区域，然后判断这些区域中是否包含我们感兴趣的目标，并调整（回归）区域边界，从而更准确地预测目标的真实边界框（ground-truth bounding box）。
目标检测算法会需要做两个事情：
- 推荐区域框是否有目标
（positive or negative），是分类任务； - 调整这些区域框，不断逼近到目标真实框，是回归任务。
就针对目标检测算法的传统区域框推荐和深度学习的方法，问了chatGPT，他给出了下面的回答。给与我们借鉴，帮助我们理解。
传统的目标框推选方法，我们暂时就先不考虑。针对基于anchor的方法，我们通过最常用的anchor based（anchor box）和anchor free，和no anchor来展开。
一、什么是Anchor
anchor也叫做锚，预先设置目标可能存在的大概位置，然后再在这些预设边框的基础上进行精细化的调整。而它的本质就是为了解决标签分配的问题。
anchor是如何生成的？锚作为一系列先验框信息，其生成涉及以下几个部分：
- 用网络提取特征图的点来
