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

主要参考：http://www.lxway.com/551256526.htm

在这里，我只note一下一些比较重要的地方。

1. mAP: mean average precision

2. 在将region缩放到CNN所要求的size时，文中为：

In order to compute features for a region proposal, we must first convert the image data in that region into a form that is compatible with the CNN (its architecture requires inputs of a fixed 227 × 227 pixel size). Of the many possible transformations of our arbitrary-shaped regions, we opt for the simplest. Regardless of the size or aspect ratio of the candidate region, we warp all pixels in a tight bounding box around it to the required size. Prior to warping, we dilate the tight bounding box so that at the warped size there are exactly p pixels of warped image context around the original box (we use p = 16).

翻译为：

为了能计算region proposal的特征，我们首先将图片数据转换成CNN网络兼容的格式（CNN网络的结构要求227*227像素固定大小的输入图片数据）。在我们任意大小区域可能转换的方式中，我们选择最简单的。不管候选区域的大小和长宽比，我们将物体附近的包裹紧密的包围盒（bounding box）中的像素warp到要求的大小尺寸。在warping之前，我们先扩张包围紧密的包围盒, so that 在warped大小尺寸基础上在原有的包围盒周围恰好有p个像素的warped图像内容（我们用p=16）. 

我觉得这样的好处是稍微扩大region，将背景也包括进来来提供先验信息。