GoogLeNet_BN
论文Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift将批量归一化方法作用于卷积神经网络，通过校正每层输入数据的数据分布，从而达到更快的训练目的。在文章最后，添加批量归一化层到GoogLeNet网络，得到了更好的检测效果
GoogLeNet
学习了论文Going deeper with convolutions，尝试进一步推导其模型，并使用PyTorch实现该网络
批量归一化：通过减轻内部协变量偏移来加速深度网络训练
学习论文Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift，里面提出了批量归一化（Batch Normalization，简称BN）方法，一方面能够大幅提高训练速度，另一方面也能够实现更好的模型精度
[数据集][PASCAL VOC]07+12
综合PASCAL VOC 2007和2012数据集，进行分类/检测任务。分两步完成：
- 下载
07 trainval、07 test、12 trainval数据集，解析出分类/检测需要的数据 - 根据具体任务（分类或者检测）从中提取数据
相关实现：zjykzj/vocdev
[数据集]PASCAL VOC 2012
相比于之前的挑战赛，PASCAL VOC 2012增加了更多的训练和测试图像，同时，这也是最后一届挑战赛。其关于PASCAL VOC以及之前挑战赛的内容参考：
相关实现：zjykzj/vocdev
[Going deeper with convolutions]进一步深入卷积操作
文章Going deeper with convolutions提出了一种新的卷积架构 - Inception，基于此实现的CNN架构GoogLeNet能够得到更好的分类和检测效果
[空间金字塔池化]SPP-net
文章Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition提出空间金字塔池化（spatial pyramid pooling）的概念，避免了固定大小的图像输入，能够有效提高子窗口的识别精度；同时通过共用特征图的方式，极大的提高了检测速度
[R-CNN]边界框回归
在R-CNN算法中，使用SVM分类器对候选建议进行分类后，使用对应类别的边界框回归器（bounding-box regression）预测其坐标偏移值，这一操作能够进一步提高检测精度
感受野
什么是感受野?
The receptive field is defined as the region in the input space that a particular CNN’s feature is looking at (i.e. be affected by). —— Dang Ha The Hien
在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。 ——博客园
在机器视觉领域的深度神经网络中有一个概念叫做感受野，用来表示网络内部的不同位置的神经元对原图像的感受范围的大小。 ——蓝荣祎
卷积层滤波器的神经元和前一层输出数据体的局部神经元一一连接，其空间尺寸称为感受野（receptive field）大小
- 局部感受野大小：针对上一层输出数据体的空间尺寸
- 理论感受野大小：针对原始输入图像的局部空间尺寸