anchor通常設定為3ratio*3scales=9anchors，但實際使用時可能需要進行調整。改變anchor數量或尺寸。先看Faster R-CNN原始碼產生anchors的部分，位置$Faster RCNN/lib/rpn/generate_anchors.py:

def generate_anchors(base_size=16, ratios=[0.5, 1, 2],
                     scales=2**np.arange(3, 6)):
    """
    Generate anchor (reference) windows by enumerating aspect ratios X
 

    scales wrt a reference (0, 0, 15, 15) window.
    """

    base_anchor = np.array([1, 1, base_size, base_size]) - 1
    ratio_anchors = _ratio_enum(base_anchor, ratios)
    anchors = np.vstack([_scale_enum(ratio_anchors[i, :], scales)
                         for i in xrange(ratio_anchors.shape[0]
 
)])

return anchors這個函式三個引數base_size, ratios 和scales，且都有預設值。base_size要和scales集合起來看，anchor的基礎尺度=base_size*scales，例如這裡預設base_size=16, scales=(8,16,32),那麼三個基本尺度分別是128，256和512。然後在這三個基本尺度上才有3個ratio。再來看看哪些地方用到了這個generate_anchors函式，分別是：proposal_layer.py, anchor_target_layer.py和generate.py（三個檔案都在目錄FRCN_ROOT/lib/rpn/

一，不改變anchor數量

如果不需要改變anchor數量，而只是簡單改變scales和ratios，直接改generate_anchors函式的預設值就好，比如把base_size改為８或者把scales該為2**np.arrage（２，５），都可以把基礎尺度減少為64, 128, 256。ratios也可以根據需要這樣改。此外，proposal_layer.py, anchor_target_layer.py和generate.py這三個呼叫了generate_anchor的地方也要相應改一下： anchor_scales =layer_params.get('scales', (8, 16, 32)) self._anchors = generate_anchors(scales=np.array(anchor_scales))直接改成：anchor_scales =layer_params.get('scales', (8, 16, 32)) self._anchors = generate_anchors()generate_anchors 函式用預設引數就好。

二，改變anchor數量

改變anchor數量的方式可以是直接增減anchor的基礎尺度數量或者ratios數量，或者直接用YOLOv２那樣聚類anchor，只要改變了anchor數量，就要去修改網路pt檔案。以Faster RCNN為例，將目錄FRCN_ROOT/models/pascal_voc/VGG16/faster_rcnn_end2end/中test.prototxt、 train.prototxt檔案都要改：

layer {
  name: "rpn_cls_score"
  type: "Convolution"
  bottom: "rpn/output"
  top: "rpn_cls_score"
  param { lr_mult: 1.0 decay_mult: 1.0 }
  param { lr_mult: 2.0 decay_mult: 0 }
  convolution_param {
    num_output: 24   # 2(bg/fg) * １２(anchors)
    kernel_size: 1 pad: 0 stride: 1
    weight_filler { type: "gaussian" std: 0.01 }
    bias_filler { type: "constant" value: 0 }
  }
}
layer {
  name: "rpn_bbox_pred"
  type: "Convolution"
  bottom: "rpn/output"
  top: "rpn_bbox_pred"
  param { lr_mult: 1.0 decay_mult: 1.0 }
  param { lr_mult: 2.0 decay_mult: 0 }
  convolution_param {
    num_output: 48   # 4 * １２(anchors)
    kernel_size: 1 pad: 0 stride: 1
    weight_filler { type: "gaussian" std: 0.01 }
    bias_filler { type: "constant" value: 0 }
  }
}layer {
  name: 'rpn_cls_prob_reshape'
  type: 'Reshape'
  bottom: 'rpn_cls_prob'
  top: 'rpn_cls_prob_reshape'
  reshape_param { shape { dim: 0 dim: 24 dim: -1 dim: 0 } }
}