Faster RCNN: Towards RealTime Object Detection with Region Proposal Networks+Visualizing and Underst

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
别人的论文笔记
个人看法：Faster RCNN是对之前的 RCNN、SPPNet、Fast RCNN 等目标检测框架的进一步优化，将 Region Proposal 过程融合进入 CNN 模型，称之为 RPN（Region Proposal Network），大幅降低了 test-time 计算量，可以实现近似实时目标检测。看到有文章说Faster R-CNN预先获取region proposal，然后在对每个proposal分类计算量还是比较大，所以出现了YOLO这类目标检测方法（还没看过）。

Visualizing and Understanding Convolutional Networks
别人的论文笔记
个人看法：本文主要通过反卷积来可视化卷积网络，并调整卷积网络。       
卷积网络对于平移和缩放具有很好的不变性，对于旋转的不变性较差；但是在平移和缩放不变形实验中不同物体的标签概率曲线不是在一个集中的范围，红线的标签概率曲线比较低，是不是平移和缩放不变性对不同的物体存在差别。针对旋转的不变性较差可以通过调整图像角度来扩充训练集，而不用仅将图像切割成多片来扩充。
这个论文训练的网络，相比Alex-net的3,4,5层只连接同一个GPU的特征图的局部连接方式，换成了全连接的形式。
参数设置；相比Alex-net把一些bias设置为1，把bias全部设置为0，其他和Alex-net一样，那么这个网络比Alex-net更优的原因应该不单单是改变filter大小和间隔这两个因素。