CVPR 2017 oral, 微软亚洲研究院梅涛工作，做细粒度分类。
就是网络的叠加，从coarse to fine，三个scale网络的叠加，前两个scale多了APN去get感兴趣区域，输入到后一个scale里面。
APN
attention proposal network:相较于RPN(object detection),用的是弱监督的方式得到候选框。
实现方式：
在conv5之后，重接了两个全连接，输出三个值tx,ty,tl tx,ty为坐标，tl为提取的候选框边长的一半（那个框是个正方形）。
全连接后接的都是tanh
怎样把crop的操作变成可以反向传播呢？用boxcar functions（方脉冲函数）去近似
crop之后，还有一个adaptively zooming 的过程
损失函数
有两个部分，scale的分类loss，scale之间的 rank loss(为了保证finer scale的置信程度比caorser的高）
其中第一项就是普通的softmax loss,第二项的rank loss 计算如下：
Multi-scale Joint Representation
多尺度特征的一个融合： 把三个scale 的特征concat起来，然后再分类得到结果。
训练细节
用imagenet初始化3个scale的classification 网络，2.找出响应最大的区域，预训练apn. 3.交替训练 classification 和APN(固定一个训练另一个）.
