的选框反复扫描图片，后面则是使用一些办法，筛选最有可能的一些区域。这些做法都是两步走的，看一次图片选感兴趣的区域，再看一次图片去为这个区域做分类。
而我的做法是直接将整个图片划分成均匀的多个网格，其中每个格子都可以输出物体的类别和检测框的坐标。物体落在哪个区域，哪个区域就负责预测这个物体。
我的网络输出是一维的，前N个数字代表N个类别的概率，后面X个数字代表X个检测框的概率，最后4X个数字用以描述检测框在图片上的位置。”
“那怎么可能会快一两百倍呢？”有思维敏捷的白度研究员出声提问道，“比较注重速度的传统办法会削减提出的区域数量，通常最多也不过千余个。按照你的说法，你至少也需要数十个网格，每个网格又需要数个检测框，这样的话，感觉差别也不是非常大。”
“如果我们采用7x7的网格+两个检测框的话，总数量就仅为98个检测框。此外，在骨干网络的设计还有非极大值抑制的具体操作顺序上，也有很大的调整空间。”
“那性能应该会受到很大的影响吧？”
“多类的目标应该怎么去做？”
“这样的话，小目标的检测应该会是一个难题吧