选读：一阶段检测保留了哪些相同问题
课堂上下文：从哪个问题来
按“参考框→RPN 候选→最终框”给图中的矩形分配身份，并把人工真值单独留在监督侧。RPN 让候选变为可学习预测。LAB10 采用共享原理的一阶段教学变体，不应把它说成原版 Faster R-CNN。
一阶段检测不先为每个 proposal 再做一套区域分类，而是在一个或多个特征网格上直接预测类别与位置。这个改变简化了输出路径，却没有消除参考几何、目标匹配、正负不平衡、重复预测与定位评价。
若 16×16 网格每格有 4 个参考框，共 1024 项；每项预测含背景的 3 类 logits 与 4 个偏移，就有 7168 个输出数。这些数还是结构化候选，需按同一位置顺序与参考框配对，随后解码并整理。张量 reshape 顺序错误时，模型的偏移可能被贴到另一个 anchor 上。
D2L TinySSD 在多尺度特征上构造参考框与预测。当前 LAB10 为保持 CPU 可运行，用 12×12 单层网格、每格两个尺寸，共 288 项；它保留图像输入到框输出的学习链，但不等于多尺度模型的全部能力。
本条作为从主讲移出的深入阅读：理解它有助于读实验代码，不要求课堂再开 SSD 全章。FPN 关注怎样形成不同尺度的表示，SSD 关注怎样在特征上预测；两者都出现多尺度，不意味着同一机制。