２０１８ECCV文章，對於faster rcnn 的分類能力的思考：
most hard false positives result fromclassification instead of localization.
文中說，大部分的ＦＰ是分類錯誤導致的而不是迴歸（這個觀點我持保留意見）。
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.
總結爲三點思考：
１．分類和迴歸本身兩個任務的不同，然後目前的結構是兩者共享前面的特徵，這種方式不是最優的
２．多任務聯合訓練的ｌｏｓｓ可能導致單個任務陷入局部最優
３．不同尺度上的大感受野可能會導致在檢測小物體時有冗餘的特徵