从表示到空间输出：下一部分新增了什么？

第一部分回答怎样获得表示，以及怎样判断它对新任务有用。第二部分不重新挑选一套更响亮的预训练名称，而是改变答案格式：整图类别变成对象框、像素类别与实例身份。

整图向量可以告诉我们“有杯子”，但若位置已经被平均掉，后面再加复杂读出也未必能找回哪只在左。保留空间网格以后，还要决定怎样提出区域、给区域分配类别与框、让mask对应到具体对象。训练目标和输出结构必须一起适配。

历史上的R-CNN使用监督分类预训练；它不以MoCo为前提。这里的连接是问题层面的：一份可迁移起点怎样接到新任务，而不是把方法硬排成单线进化史。带着这一问题读P25的同场景四种答案，才能看见为何下一部分需要新的监督与接口。