物体定位Localization

于分类的区别在于定位还需要输出bonding box，

可以就简单的增加一个regression header来训练输出bonding box部分

可以把regression header放在左后一个conv层后面，也可以放在feature layer

有时候找到多个物体（个数是固定的，比如定位人脸，手的位置）的bonding box，只需要输出多个参数就好了

上面说的方法比较直观，另外的idea是把定位转化为分类

用不同的sliding window来截取很多图片，对这些图片进行分类，得到是某一个类的概率，最后用这些概率对所有的bonding box就行merge（Herustic）

但是这种方法计算量很大，一种化简的思路是把FC转化为Conv，这样对输入图片的大小就没有限制了，然后我们就可以吧大图片feed into net，output更大了，结果看起来就是把很多个的图片同时通过网络，但是我们只需要计算一次

这其中的原因在于在Conv计算的额时候，很多区域是重叠的