cate:每个类别的groundtruth文件（t7格式），用于测试检测模型对每个类别的准确率。（目前有trainval（测试accuracy目前相对较高）、test（理论上应该用这个测试集，但是accuracy不高））。
config:模型参数配置文件。
data:图像及标注数据，原始数据文件。
logs/logs1：注，为了不让更新后的原模型的训练文件影响论文仿真时所用的模型训练文件，用logs保存论文仿真要用的模型训练文件，用logs1保存原模型的训练文件。
layer：保存了层选择对accuracy影响的结果图。
Main:data文件夹中voc中的Main文件夹的复制。
mapdata：XXX.lua的中间生成文件，用于被XXX.lua调用以可视化每个类别的accuracy。
models：通用深度模型结构配置。
nn：实现反馈算法在各层的传播。
nngraph-master：实现反馈算法在各个图结点的传播。
obj_old：以前的项目版本。
out：中间卷积层特征图可视化。
ratio：不同比例对mAP的影响可视化。
resource：参考代码。
resultimg：论文方法输出图。
traindata：用于对不同的数据集训练出不同的模型文件，包含不同数据集生成的数据t7文件。
反馈传播：参考论文。
batch_eb.lua：for 论文方法仿真。
BatchIterator.lua：用于原模型训练。
create-cate-data.lua：制作每类的t7文件用于测试。
figure.lua：用于画不同比例和类别下的折线图，加载dat文件。
get_attention.lua：论文仿真总的执行代码文件。
ILSVRC：用于在ILSVRC上训练模型。
layerselect.lua：用于评价不同生成层的选择对mAP的影响。
main.lua：用于训练原始检测模型。
mAP：用于测试不同数据集的mAP及对比。
nms_eb.lua：用于论文仿真的nms实现。
ratio2和ratio3：都用于测试不同ratio=w1/w2下的mAP值，但不同的是，ratio2保持前面的forward不变，将不同ratio的winner送入winners中存储，得到mAP，但在实际测试中，这种方法当在ratio发生变化时，mAP并没有发生变化，所以改用了ratio3中的测试方法。ratio3则相当于每更换一个ratio就重做一次实验，并且，ratio2出于实际考虑丢弃了attention map的可视化，而ratio3保留了这部分。
z.lua：往返式检测框架完整思想版，包含可调节层选择，对比注意力的实现，以及往返式检测框架的实现。
