# 从表示到空间输出：下一部分新增了什么？
[独立阅读](/course/blocks/representation-to-spatial-output-bridge.html)**课堂上下文：从哪个问题来**
总结表示学习的选择与评价，再引入空间任务：输出要求变了，已有整图答案不能直接交付位置和实例。


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。



图内标签与数值：P24 学习表示机制图，状态 1；人工类别；视图对应；隐藏内容；可复用的视觉表示；类别：有什么；区域：在哪里；像素 / 实例身份；下一步：把空间信息；变成任务能够使用的答案。

同一表示起点要接上不同任务头，空间输出提出新要求。 查看对应图解状态

- 人工类别
- 视图对应
- 隐藏内容
- 可复用的视觉表示
- 类别：有什么
- 区域：在哪里
- 像素 / 实例身份
- 下一步：把空间信息
- 变成任务能够使用的答案。同一表示起点要接上不同任务头，空间输出提出新要求。 [查看对应图解状态](/#/l3-r2-p24/0)[查看完整图解](/#/l3-r2-p24/0)

## 继续阅读与实验