overfeat论文待续

从文章题目来看，Integrated recognition,localization and detection using convolutional network,就是将分类、定位、检测通过卷积网络整合在一起。

本文作者展示了：

1、在卷积网络中使用多尺度的滑动窗

2、介绍了通过训练深度网络来预测物体的定位框

3、可以使用一个网络同时进行多项任务

首先来理一理这分类，定位，检测的关系。

分类就是猜五个可能的类别，那就联系上常说的top5 error了。

定位就是猜五个类别的基础上加上每个类别可能的bounding box，iou>0.5才算正确。

检测任务和定位任务不同，因为可能出现任何数量的物体，通过mAP平均精度来衡量。

接下来讲分类任务：总体来讲分类任务使用的网络和alxnet相似，（这篇论文图表放置位置有点。。草率。。）

下表是fast版本的网络

下表是accurcy版本的网络

两个版本从层结构上来看相差不大，主要的区别在于卷积、池化核的大小和步长。总的来讲，核越小，步长越小，总体的精度就比较高。

下图就是fast版本第一层和第二层卷积核的可视化结果。

多尺度池化：scales + offset pooling

test时候，在alexnet使用了crop的小技巧，从图片中提取224x224块，四个角落加上中间，再进行水平翻转，一共得到十个图像，然后通过十个图像结果投票。

在overfeat中放弃这种方法，原因：

1、忽略很多区域

2、很多重复的计算，造成浪费

3、只适用于单一的尺度

因此作者采用了多尺度+偏置池化的方法，其中多尺度来自于在原图片上剪裁出不同大小的6张图片。如下表：

很明显由于输入的图片大小不一，所以卷积部分的输出特征数量是不一样的。

就像下图中，由于从输入14x14变成16x16，通过相同的卷积网络输出的特征图大小不一样。那作者又是如何连接卷积部分和fc部分呢？作者并没有将不同分辨率图片输出相同大小的feature map，而是使用了6个不同的分类器。如上图所示。

下图是单一尺度的偏置池化的例子：

offset设置为0,1,2，也就是初始池化的位置，也就是偏置offset，推广到二维空间中，也就是有9个初始池化的位置，然后对每个池化的结果都进行分类，这样就实现了offset pooling。而对于多尺度，只需要设置多个大小的池化核即可。

下面来看定位问题：

用回归层替换之前已经训练完的分类网络的分类层，并且训练网络使其在所有的位置和尺度上预测bbox，然后将两个回归结合在一起。

待续。。。。