diff --git a/docs/zh_CN/application/index.rst b/docs/zh_CN/application/index.rst
new file mode 100644
index 000000000..abeeef7ea
--- /dev/null
+++ b/docs/zh_CN/application/index.rst
@@ -0,0 +1,8 @@
+应用拓展
+================================
+
+.. toctree::
+   :maxdepth: 2
+   
+   transfer_learning.md
+   object_detection.md
\ No newline at end of file
diff --git a/docs/zh_CN/application/object_detection.md b/docs/zh_CN/application/object_detection.md
index 5aef2e088..38806e3d9 100644
--- a/docs/zh_CN/application/object_detection.md
+++ b/docs/zh_CN/application/object_detection.md
@@ -1,10 +1,10 @@
 # 通用目标检测
 
-## 服务端实用目标检测方案
+## 服务器端实用目标检测方案
 
 ### 简介
 
-* 近年来，学术界和工业界广泛关注图像中目标检测任务。PaddleCLS基于SSLD蒸馏方案训练得到的ResNet50_vd预训练模型(ImageNet1k验证集上Top1 Acc为82.39%)，结合PaddleDetection中的丰富算子，提供了一种面向服务器端应用的目标检测方案PSS-DET(Practical Server Side Detection)。基于COCO2017目标检测数据集，V100单卡预测速度为为61FPS时，COCO mAP可达41.6%；预测速度为20FPS时，COCO mAP可达47.8%，作为对比，标准的Faster RCNN ResNet50_vd FPN在1x训练策略下，V100单卡模型预测速度为20FPS，COCO mAP为38.3%。
+* 近年来，学术界和工业界广泛关注图像中目标检测任务。基于SSLD蒸馏方案训练得到的ResNet50_vd预训练模型(ImageNet1k验证集上Top1 Acc为82.39%)，结合PaddleDetection中的丰富算子，飞桨提供了一种面向服务器端实用的目标检测方案PSS-DET(Practical Server Side Detection)。基于COCO2017目标检测数据集，V100单卡预测速度为为61FPS时，COCO mAP可达41.6%；预测速度为20FPS时，COCO mAP可达47.8%。
 
 ### 消融实验
 
@@ -28,9 +28,12 @@
 
 ![pssdet](../../images/det/pssdet.png)
 
+**注意**
+> 这里为了更方便地对比，我们将V100的预测耗时乘以1.2倍，近似转化为Titan V的预测耗时。
+
 更加详细的代码、配置与预训练模型的地址可以参考[PaddleDetection](https://github.com/PaddlePaddle/PaddleDetection/tree/master/configs/rcnn_server_side_det)。
 
 
 ## 移动端实用目标检测方案
 
-* 目前正在更新中，敬请期待！
+* 目前正在更新中，敬请期待！
\ No newline at end of file