anchor在计算机视觉中有锚点或锚框，目标检测中常出现的anchor box是锚框，表示固定的参考框。
目标检测的任务：
在哪里有东西
难点：
目标的类别不确定、数量不确定、位置不确定、尺度不确定
传统算法的解决方式：
都要金字塔多尺度+遍历滑窗的方式，逐尺度逐位置判断"这个尺度的这个位置处有没有认识的目标"，非常笨重耗时，并不能很好的推广适用。
现状：
近期顶尖(SOTA)的目标检测方法几乎都用了anchor技术
作用：
首先预设一组不同尺度不同位置的固定参考框，覆盖几乎所有位置和尺度，每个参考框负责检测与其交并比大于阈值 (训练预设值，常用0.5或0.7) 的目标，anchor技术将问题转换为"这个固定参考框中有没有认识的目标，目标框偏离参考框多远"，不再需要多尺度遍历滑窗，真正实现了又好又快，如在Faster R-CNN和SSD两大主流目标检测框架及扩展算法中anchor都是重要部分。
举例：
1.预设anchor

2.识别结果与预设anchor的IOU计算

如按照上图所示，计算所有红色与绿色的IOU（交并比），根据阈值来过滤掉我们需要的后，可能如下图所示：

蓝色部分为符合阈值剩余的部分。
当然在实际中存在一些其他的问题来辅助最后的预算，比如非极大值抑制（NMS）来挑选一个置信度最高的相似目标。
注意：
上图的示例仅仅是一个示例
真实的anchor应该参考如下图的方式：

b图中，生成的anchor为：\(8*8*(预设anchor数量)\)
c图中，生成的anchor为：\(4*4*(预设anchor数量)\)
以上为我根据查找的资料观摩后的个人理解
并没有去深究代码实现和论文
仅供参考
如果理解有误，希望您能不吝赐教。