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