基础CNN架构可通过多种方式进行组合和扩展，从而解决更多、更复杂的任务。

1. 分类和定位

        在分类和定位任务中，你不仅需要说出在图像中找到的物体的类别，而且还需指出物体显现在图像中的边界框坐标。这类任务假设在图像中只有一个物体实例。 

        这个任务可通过在典型的分类网络上附加分类头（classification head）和回归头（regression head）来实现。回想一下，在分类网络中，卷积和池化操作的最终输出称为特征图，它被馈送到一个全连接的网络中，该网络产生一个类别概率向量。这个全连接的网络称为分类头，并用类别损失函数（Lc）（例如分类交叉熵）对其进行调整。

        类似地，回归头是另一个全连接的网络，该网络接收特征图，并输出向量（x，y，w，h），表征边界框左上角的x和y坐标以及宽度和高度。它用连续损失函数（Lr）进行调整，比如均方误差。这样，整个网络将用两个损失函数的线性组合来进行调整，即

        式中，α是一个超参数，取值