CNN 能从最初的 Classification 扩展到 Detection、Segmentation 这样的任务的依据是人们认为 the most features learned in Convolutional layers are general purpose。
BBR 最早是在 DPM 中被引入，然后在 R-CNN 中被用。
这篇文章是最早探索怎么把原来用于分类的 CNN 用于 Object Detection 的文章之一，有很多很有启发的点，但个人感觉写得不是很容易懂，这里只摘录一点我读到的。
- 最早意识到 conv 是一个天生且 Efficient 的 Sliding Window Approach，efficient 是因为 they naturally share computations common to overlapping regions，在一个 sliding window 中除了最中心的那个像素以外，其余其他像素都是其他 sliding window 的中心像素，已经或者将会被计算，所以如果 sliding window 大小是 7 * 7 的话，相对于一个 conv share 计算的，sliding window Approach 理论上就是会慢上 49 倍。
- 最早开始探索怎么把原来用于分类的 CNN 用于 Object Detection 的方法，认为 分类过程中，提取到的特征，特可以用于定位检测等各种任务，只要改变下最后几层，也就不需要从头训练整个网络了（Pretrained 的概念）
- 给出了一个叫做 offset max-pooling 的 exhaustive pooling scheme ensures that we can obtain fine alignment between the classifier and the representation of the object in the feature map. 这里就开始强调 alignment 了
- Overfeat 是用 field of view 和 GT BBox 的 IoU 来判断 Positive or Negative 的，此时还没有 Anchor 的概念, field of view 也就是 receptive field
- Overfeat 预测 BBox 的时候，The regression then predicts the location scale of the object with respect to each window，就跟 YOLO 一样，也是预测相对于当前 Cell/Window 的