1.为什么high level特征位置信息不精确？
fpn：The bottom-up feature map is of lower-level semantics, but its activations are more accurately localized as it was subsampled fewer times.
进一步问题：为什么下采样或者说pooling会导致位置信息不精确？
首先明确卷积层卷积后其实是有位置信息的，但经过pooling之后，对于每个pooling里面框住的像素丢失了位置信息，但两个pooling之间框住的部分像素的位置信息其实是保留了的。为什么？因为max-pooling取的是pooling框的最大值，只保留了最大值的值，但具体在pooling框的哪个位置并没有保留。不仅仅是max-pooling，mean-pooling也一样没有保留。
https://blog.csdn.net/bojackhosreman/article/details/78081422
个人觉得，高层检测物体的性能不好，除了高层特征的位置信息不精确，还有就是高层的感受野大，大感受野其实更多的是平移不变性，但检测位置其实是需要的平移不变性。
再进一步的问题：那为什么还要采用pooling或者maxpooling？
因为需要分类，需要抽取特征，分类需要平移不变性，并且减少了参数量
2.如果人们选择图像中的连续范围作为池化区域,并且只是池化相同(重复)的隐藏单元产生的特征,那么,这些池化单元就具有平移不变性 (translation invariant)。
也就是说在池化框住的范围内，是具有平移不变性的。
3.以前自己认为识别只需要语义信息，但这篇博客中https://www.aiuai.cn/aifarm119.html的人脸那个例子发现，识别不仅仅需要语义信息，也需要位置信息，或者说整体信息和局部信息。以前的分类网络的设计是先经过卷积层，然后fc，其实也就是一个局部特征提取并且保留局部的空间位置信息，fc相当于整个图片的一个卷积，也就是从前面的具体特征抽一个整体的特征。局部信息拥有跟多的局部信息但缺乏平移不变性，整体信息正好相反。
总结一下：前面层由于在原图的感受野小，抽取的是局部特征，这个特征提取器就是卷积；后面的层由于在原图的感受野大，抽取的是大的局部特征或者说整体特征。无论是分类还是检测，局部到整体还必须保证位置信息。这个位置信息对于分类来是两个特征的相对位置关系，对于检测来说是具体的坐标数值和相对位置关系。
4.为什么高层有更多的语义信息？
1.从可视化实验看到的，越到高层分辨率越低，并且越模糊
2.感受野大了。比如浅层可能只关注了车的的一些局部纹理，中层能感受野扩大后进一步看到轮胎，高层可能就能识别出是车了。还有就是通过卷积一层一层的提取特征，到后面是把特征拼接起来
http://baijiahao.baidu.com/s?id=1573869113211570&wfr=spider&for=pc这个讲小挎包那个例子还是说的很好
5.rfcn为什么最后要用mean pooling
实际上mean pooling也没有保留位置信息，
但反向传播的时候会让pooling框的几个值都获得梯度进行更新
http://yann.lecun.com/exdb/publis/orig/boureau-cvpr-10.pdf
6.为什么图像金字塔有很高的时间和计算量消耗？
我采用的图像金字塔train的时候用多个image scale，测试用一个scale。如果你测试使用放大的scale，本身计算量就要增大，因为输入增多了；如果使用小的scale，还好。训练的时候，因为用了多个尺度，其实就是数据增强，如果训练10个epoch时间就会增加，因为每个epoch的图片数量增加，如果你是放大的图片本身计算量和时间也要增加
7.为什么图像金字塔的效果好？
类似于数据增强，让网络能适应多尺度的形变。其实做一个分类识别，难点也就在于形变（或者说不通的pattern），尺寸变换，位置变换