解决什么问题？
1.注意力偏移
模型对具有良好视野的物体具有较高的注意，而一定程度忽视了其他目标。表现在:在靠近目标边界的区域位置存在很大区域不必要的高得分.
认为目标中心的anchor point和边缘的anchor point有相同的表达力是不合理的。一顿操作其实就是给每个附近高得分样本提出了一个类似中心度的加权。。。
而这两个大的主导区域倾向于向其他运动员对应的热图区域扩展。在更坏的情况下，主导区域（优势区域）甚至可能会覆盖代表性不足区域，这导致了检测器仅将注意力集中在靠前的实例上，从而抑制了背景区域实例的检测。
为什么会出现这样的情况呢？我们认为这个问题是 由于特征不对齐导致了靠近目标边界的位置会得到不必要的高分 所导致的。接近边界的anchor points得不到与实例良好对齐的特征----它们的特征往往会受到实例外围的背景信息所干扰，因为它们的感受野包含了太多的背景信息，导致了特征表达能力减弱。因此不应该 给予那些接近实例中心的anhor points和接近实例边界的anchor points 相同的信任（权重）
2.特征选择
如何更好的利用多尺度融合？
在concat特征图之后，训练了一个元选择网络，得到不同level的特征对目标anchor点的加权因子。
由下图模型选择的结果可见，绝大多数目标只需要2个level的特征图就可以完全表达，极少部分目标才需要3个level的特征图表达。
显然目标越大，高层特征图的激活对于检测的贡献越大。目标越小越倾向于低层特征
（高层特征图，每个点对应的图像空间很大，即背景所占比例太大，对小目标检测不利。）