基礎CNN架構可通過多種方式進行組合和擴展，從而解決更多、更復雜的任務。

1. 分類和定位

        在分類和定位任務中，你不僅需要說出在圖像中找到的物體的類別，而且還需指出物體顯現在圖像中的邊界框坐標。這類任務假設在圖像中只有一個物體實例。 

        這個任務可通過在典型的分類網絡上附加分類頭（classification head）和回歸頭（regression head）來實現。回想一下，在分類網絡中，卷積和池化操作的最終輸出稱為特征圖，它被饋送到一個全連接的網絡中，該網絡產生一個類別概率向量。這個全連接的網絡稱為分類頭，并用類別損失函數（Lc）（例如分類交叉熵）對其進行調整。

        類似地，回歸頭是另一個全連接的網絡，該網絡接收特征圖，并輸出向量（x，y，w，h），表征邊界框左上角的x和y坐標以及寬度和高度。它用連續損失函數（Lr）進行調整，比如均方誤差。這樣，整個網絡將用兩個損失函數的線性組合來進行調整，即

        式中，α是一個超參數，取值