Revisiting RCNN: On Awakening the Classification Power of Faster RCNN解读

２０１８ECCV文章，对于faster rcnn 的分类能力的思考：

most hard false positives result fromclassification instead of localization.

文中说，大部分的ＦＰ是分类错误导致的而不是回归（这个观点我持保留意见）。

We conjecture that:

(1) Shared feature representation is not optimal due to the mismatched goals of fea-
ture learning for classification and localization;

(2) multi-task learning　helps, yet optimization of the multi-task loss may result in sub-optimal　for individual tasks;

(3) large receptive field for different scales leads　to redundant context information for small objects.

总结为三点思考：

１．分类和回归本身两个任务的不同，然后目前的结构是两者共享前面的特征，这种方式不是最优的

２．多任务联合训练的ｌｏｓｓ可能导致单个任务陷入局部最优

３．不同尺度上的大感受野可能会导致在检测小物体时有冗余的特征