物体検出における既往研究での座標予測と分類が分離されているようなネットワークにおいて、別々に最適化することによる予測のミスマッチが生じてしまう問題がある。またクラス分類において、物体が映っている部分と背景の部分とでラベルのアンバランスの問題が生じており、学習に悪影響を与えていることがわかっている。緩和する方法としてFocal lossがあるが１つのサンプルを対象にしているなどいくつか問題がある。