同一个 CNN 权重处理多个裁剪，仍可能重复计算共同像素。整图共享改变的是一次推理的计算组织，与预训练参数迁移分开。共享之后每个区域仍需要自己的坐标和读出；计算重排并不保证与原来的裁剪路线数学等价。
左侧两个重叠红杯候选分别经过 CNN；右侧同一全图一次编码后读取两份区域特征。
看两个相邻候选，它们覆盖的大部分像素相同。如果每个区域分别跑一次卷积，很多共同内容就被反复计算。 于是可以调换组织顺序：先对整张图计算特征，再按区域从特征图中提取表示。这样我们复用的不仅是训练得到的参数，也复用了同一张图的计算结果。 这两种复用不要混在一起。预训练回答“过去学到的知识能否帮助新任务”；共享特征回答“这一张图中哪些计算不必重复”。两个问题合在一起，才能把检测做成可用系统。换顺序后又有新要求：大小不同的区域，怎样得到后续预测器可以处理的表示？
两张重叠裁剪都使用同一个 CNN，已经共享了参数，但仍分别执行卷积。假如它们都包含杯沿和桌面，这些像素会参与两次运算。SPP-net 和 Fast R-CNN 的路线把较重的卷积移到整图：先计算 F=
这里有两种复用。预训练让新的任务借用过去学到的参数；整图共享则让同一次推理中的多个区域借用已算出的中间结果。前者减少从头学习的需要，后者减少重复工作，不能用同一个“迁移”概念含糊带过。
若有 N 个候选，逐区域成本近似为 N 次卷积加区域预测；共享方式近似为一次整图卷积加 N 次轻量读取与预测。这是计算组织的估算，不是实测加速倍数，因为整图与裁剪的分辨率不同，内存、候选产生和预测头也占时间。
先裁再编码与先编码再读取不严格相等：前者改变对象尺度并裁去上下文；后者的感受野可能跨出 RoI。方法的贡献是在这样的取舍下找到能训练、有效率的共享接口。
以下是备课用的模拟师生对话，不是课堂实录。
学生：两个框共用同一 CNN，不是已经共享了吗？
教师：已经共享参数，仍可能分别计算。此页进一步复用同一张图已经得到的特征结果，这两种共享发生在不同层面。
沿 CLS07 的公式定位疑问，再选 LAB09 解析练习或 LAB10 完整训练。
先裁图再编码与先编码再读区域不严格等价：上下文与几何变换不同。此处比较计算组织，不提供未测加速倍数。