DeepLearning论文笔记（一）：What is the Best Muti-Stage Architecture for object Recognition

              <<What is the Best Muti-Stage Architecture for object Recognition>>

    一篇比较老的文章，主要描述了目标识别常用模型的layer组成，通过在Caltech-101、NORB、MNIST等数据集上的测试实验体现了non-linearities、Random Filter / hard-wired Filter、监督 / 非监督训练方法、单层特征提取结构 / 两层特征提取结构对于识别精度的影响。具体内容如下：

       首先，作者提出了三个问题：

       1、滤波层后的non-linearities对识别精度有何影响？

       2、用监督或非监督学习方法能否提升Random Filter / hard-wired Filter的效果？

       3、两层特征提取结构效果是否要比单层特征提取结构效果好？

       然后简单介绍了模型的几个常用Layer：

Layer1、滤波层Filter Bank Layer - Fcsg：

       这一部分包含了三个部分，即C：卷积滤波器，S：非线性变化函数（sigmoid/tanh），G：增益系数，总体表达为：

         这里文章里计算filter size的时候好像是一处笔误，应该是m2 = n2 - l1 + 1吧~

Layer2、校正层Retification Layer - Rabs：

这里用的是绝对值运算，作者表示也尝试过其他的非线性方法，结果差不多。

Layer3、局部对比度归一化层Local Contrast Norma