VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION阅读笔记

网上的翻译总结不计其数了，所以直接对阅读过程中出现的一些问题进行总结
3 CLASSIFICATION FRAMEWORK
3.1 TRAINING

• 训练图像是如何得到的（224*224）
  对一张训练图像，首先进行rescale，比如可以用双线性插值，得到短边为S的图像。然后在得到的图像中裁剪一部分，这部分的大小是224*224。one crop per image per SGD iteration 指的是每一次梯度下降的迭代就对图像重新进行一次裁剪，目的是提升鲁棒性之类的。裁剪的图像是占原图像的很大比例的，如S=256，这样图像中大部分的信息才会包含在其中的。举个例子，如果一张图片中有车，有天空，在S>>224时,裁剪了天空，标签却是车，显然是不合理的。然而，标签物体不可能永远占图片的大部分，所以后面S=384，512可能是考虑了这种情况。

the fully-connected layers are first converted to convolutional layers

• 全连接如何转化成卷积
  在网络结构中，经过最后一个maxpool后，得到7*7*512的特征，用1*1*n去做卷积，即得到全连接层

a variable spatial resolution, dependent on the input image size

• 为什么说取决于输入
  之前全连接已经转化成全卷积，所以得到的图像和输入有关，最后，sum-pooled指的是对最后的结果池化

• 是否用了padding

答案是肯定的，因为最后说最后的卷积层是7*7的，可以推测每层的图像大小，卷积层是用same padding 的，图像尺寸只有在池化是才会缩小。2个3*3等效于1个5*5和是否用padding是不冲突的