证明FPN的成功是得益于分而治之的策略，并非多尺度特征融合，融合带来的提升远不止带来的计算力收益高。相对的提出了代替方案YOLOF，只需要一层特征图，速度更快，且精度与FPN相匹配。

最近的工作展示了卷积神经网络同时学习检测和外貌特征的有效性，但是基于卷积的神经网络由于卷积的局部感受野的问题，无法有效的获得时间和空间的长程独立性。为了整合空间特征，作者提出了局部相关模型来建模目标与周围环境之间的拓扑关系模型，提高了模型在拥挤场景下的判别能力。为每个空间位置和其上下文环境建立密集对应，通过自监督学习进行相关向量限制。对于时间背景信息，提出了一个可学习的相关操作建模帧之间在不同层的

Faster RCNN作为当前广泛使用的一种检测方法，其必定存在很有多点，当然也会有一些不足之处，在这里对这些优缺点进行一点讨论，并且提一些相关的改进的方法。