论文：Rich feature hierarchies for accurate object detection and semantic segmentation 个人笔记

这篇论文是2014 CVPR上的，是本人看的目标检测领域的第一篇论文，当时看的时候有很多不太理解的地方~

1.动机

2.贡献点

优势：
1.共享。CNN对于每个分类的参数都是共享的
2.低维。与其他方法相比，4096维的特征向量算是很小的了

特点：
1.可视化学习
2.经过fine-tunning卷积层提取出来的特征具有普遍性，而全连接层的有针对性，可用于迁移学习
3.网络架构采用O-Net

3.方案

4.实验方法和结果

5.一些概念

5.1有监督预训练与无监督预训练

有监督预训练: 从给定的训练数据集中学习出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求包括输入输出，也可以说是特征和目标。训练集中的目标是由人标注的。
无监督预训练: 通俗点将就是实际应用中，不少情况下无法预先知道样本的标签，也就是说没有训练样本对应的类别，因而只能从原先没有样本标签的样本集开始学习分类器设计。

5.2 IoU的定义

两个矩形框A、B的一个重合度IoU计算公式：
IoU=(A∩B)/(A∪B)

5.3 非极大值抑制

顾名思义就是抑制不是极大值的元素，搜索局部的极大值。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。

5.4 hard negative mining method

hard negative mining method is when you take that falsely detected patch, and explicitly create a negative example out of that patch, and add that negative to your training set.